Fugu-MT 論文翻訳(概要): DDNet: Deformable Convolution and Dense FPN for Surface Defect Detection in Recycled Books

論文の概要: DDNet: Deformable Convolution and Dense FPN for Surface Defect Detection in Recycled Books

arxiv url: http://arxiv.org/abs/2409.04958v1
Date: Sun, 8 Sep 2024 03:18:19 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 20:00:10.379866
Title: DDNet: Deformable Convolution and Dense FPN for Surface Defect Detection in Recycled Books
Title（参考訳）: DDNet:リサイクル書籍の表面欠陥検出のための変形可能な畳み込みと高密度FPN
Authors: Jun Yu, WenJian Wang,
Abstract要約: DDNetは、欠陥のローカライゼーションと分類を強化するために設計された革新的な検出モデルである。リサイクルおよび再循環書籍における表面欠陥検出に特化して算出されたデータセットについて述べる。 DDNetは表面欠陥の正確な位置化と分類を行い、mAP値は46.7%である。
参考スコア（独自算出の注目度）: 13.223022246455077
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recycled and recirculated books, such as ancient texts and reused textbooks, hold significant value in the second-hand goods market, with their worth largely dependent on surface preservation. However, accurately assessing surface defects is challenging due to the wide variations in shape, size, and the often imprecise detection of defects. To address these issues, we propose DDNet, an innovative detection model designed to enhance defect localization and classification. DDNet introduces a surface defect feature extraction module based on a deformable convolution operator (DC) and a densely connected FPN module (DFPN). The DC module dynamically adjusts the convolution grid to better align with object contours, capturing subtle shape variations and improving boundary delineation and prediction accuracy. Meanwhile, DFPN leverages dense skip connections to enhance feature fusion, constructing a hierarchical structure that generates multi-resolution, high-fidelity feature maps, thus effectively detecting defects of various sizes. In addition to the model, we present a comprehensive dataset specifically curated for surface defect detection in recycled and recirculated books. This dataset encompasses a diverse range of defect types, shapes, and sizes, making it ideal for evaluating the robustness and effectiveness of defect detection models. Through extensive evaluations, DDNet achieves precise localization and classification of surface defects, recording a mAP value of 46.7% on our proprietary dataset - an improvement of 14.2% over the baseline model - demonstrating its superior detection capabilities.
Abstract（参考訳）: 古文書や古教科書などのリサイクル・再流通された書籍は、中古品市場において大きな価値を有しており、その価値は表面保存に大きく依存している。しかし, 表面欠陥を正確に評価することは, 形状, 寸法, しばしば不正確な欠陥検出の多様さにより困難である。これらの問題に対処するために,欠陥の局所化と分類を向上する革新的な検出モデルDDNetを提案する。 DDNetは、変形可能な畳み込み演算子(DC)と密結合されたFPNモジュール(DFPN)に基づく表面欠陥特徴抽出モジュールを導入する。 DCモジュールは、コンボリューショングリッドを動的に調整し、オブジェクトの輪郭との整合性を向上し、微妙な形状の変化を捉え、境界線と予測精度を向上させる。一方、DFPNは高密度スキップ接続を利用して特徴融合を強化し、多解像度で高忠実な特徴写像を生成する階層構造を構築し、様々なサイズの欠陥を効果的に検出する。本モデルに加えて, リサイクル・再循環書籍の表面欠陥検出のための包括的データセットを提案する。このデータセットは、さまざまな種類の欠陥タイプ、形状、サイズを含み、欠陥検出モデルの堅牢性と有効性を評価するのに最適である。 DDNetは広範な評価を通じて、表面欠陥の正確なローカライズと分類を実現し、私たちのプロプライエタリなデータセットでmAP値46.7%を記録し、ベースラインモデルよりも14.2%改善した。

関連論文リスト

Change-Aware Siamese Network for Surface Defects Segmentation under Complex Background [0.6407952035735353]
変更検出フレームワークにおける欠陥セグメント化を解消する変更対応のSiameseネットワークを提案する。トランスフォーマーベースのエンコーダを導くために,新しいマルチクラスのコントラスト損失を導入した。距離マップで示される差分は、変更対応デコーダにスキップ接続され、クラス間およびクラス外の両方の欠陥の位置をアシストする。
論文参考訳（メタデータ） (2024-09-01T02:48:11Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
DANet: Enhancing Small Object Detection through an Efficient Deformable Attention Network [0.0]
我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
論文参考訳（メタデータ） (2023-10-09T14:54:37Z)
Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文参考訳（メタデータ） (2023-09-22T06:19:11Z)
Lightweight wood panel defect detection method incorporating attention mechanism and feature fusion network [9.775181958901326]
本稿では,注目機構と特徴融合ネットワークを組み込んだYOLOv5-LWという軽量な木材パネル欠陥検出手法を提案する。提案手法は92.8%の精度でパラメータ数を27.78%削減し,計算量を41.25%圧縮し,検出速度を10.16%向上させる。
論文参考訳（メタデータ） (2023-06-21T08:55:45Z)
PCV: A Point Cloud-Based Network Verifier [8.239631885389382]
本稿では3Dポイントネットの状態をうまく処理できるポイントクラウドベースのネットワーク検証について述べる。モデル精度と特性係数への影響を計算し、小さな摂動状態に対するPointNetネットワークのロバスト性をテストする。
論文参考訳（メタデータ） (2023-01-27T15:58:54Z)
CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds [51.47100091540298]
本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
論文参考訳（メタデータ） (2021-08-31T23:27:33Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)
Detection Method Based on Automatic Visual Shape Clustering for Pin-Missing Defect in Transmission Lines [1.602803566465659]
ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
論文参考訳（メタデータ） (2020-01-17T10:57:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。