論文の概要: A Comparative Study of Open Source Computer Vision Models for Application on Small Data: The Case of CFRP Tape Laying

• arxiv url: http://arxiv.org/abs/2409.10104v1
• Date: Mon, 16 Sep 2024 09:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 16:09:48.752406
• Title: A Comparative Study of Open Source Computer Vision Models for Application on Small Data: The Case of CFRP Tape Laying
• Title（参考訳）: 小型データを用いたオープンソースのコンピュータビジョンモデルの比較研究:CFRPテープレイイングの場合
• Authors: Thomas Fraunholz, Dennis Rall, Tim Köhler, Alfons Schuster, Monika Mayer, Lars Larsen,
• Abstract要約: 光センサを用いた航空宇宙製造における炭素繊維強化ポリマー(PCFR)テープの品質管理のユースケースを検討する。 トレーニングデータを連続的に低減した異なるオープンソースのコンピュータビジョンモデルの挙動について検討する。 以上の結果から,AIモデルをトレーニングするために必要なデータ量は大幅に削減され,より小さなモデルの使用が必ずしもパフォーマンスの低下につながるとは限らないことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of industrial manufacturing, Artificial Intelligence (AI) is playing an increasing role, from automating existing processes to aiding in the development of new materials and techniques. However, a significant challenge arises in smaller, experimental processes characterized by limited training data availability, questioning the possibility to train AI models in such small data contexts. In this work, we explore the potential of Transfer Learning to address this challenge, specifically investigating the minimum amount of data required to develop a functional AI model. For this purpose, we consider the use case of quality control of Carbon Fiber Reinforced Polymer (CFRP) tape laying in aerospace manufacturing using optical sensors. We investigate the behavior of different open-source computer vision models with a continuous reduction of the training data. Our results show that the amount of data required to successfully train an AI model can be drastically reduced, and the use of smaller models does not necessarily lead to a loss of performance.
• Abstract（参考訳）: 産業生産の領域では、人工知能(AI)は、既存のプロセスの自動化から新しい材料や技術開発への支援まで、ますます多くの役割を担っている。 しかし、このような小さなデータコンテキストでAIモデルをトレーニングする可能性に疑問を呈する、限られたトレーニングデータ可用性を特徴とする、小規模で実験的なプロセスにおいて、大きな課題が生じる。 本研究では,この課題に対処するためのトランスファーラーニングの可能性を探り,機能的AIモデルを開発するために必要な最小データ量について検討する。 本研究の目的は,光センサを用いた航空宇宙製造における炭素繊維強化ポリマー(CFRP)テープの品質管理のユースケースを検討することである。 トレーニングデータを連続的に低減した異なるオープンソースのコンピュータビジョンモデルの挙動について検討する。 以上の結果から,AIモデルをトレーニングするために必要なデータ量は大幅に削減され,より小さなモデルの使用が必ずしもパフォーマンスの低下につながるとは限らないことが示唆された。

関連論文リスト

• Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
  大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。 本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
  論文  参考訳（メタデータ） (2024-10-22T06:43:28Z)
• VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
  本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-18T05:30:26Z)
• GISTEmbed: Guided In-sample Selection of Training Negatives for Text Embedding Fine-tuning [0.0]
  GISTEmbedは、ガイドモデルによる対照的なトレーニングにおいて、バッチ内のネガティブな選択を強化する新しい戦略である。 MTEB(Massive Text Embedding Benchmark)に対してベンチマークされたGISTEmbedは、さまざまなモデルサイズで一貫したパフォーマンス改善を示している。
  論文  参考訳（メタデータ） (2024-02-26T18:55:15Z)
• Progressive reduced order modeling: empowering data-driven modeling with selective knowledge transfer [0.0]
  本稿では,データ・ラーメンの最小化とデータ・ドリブン・モデリングの実践性の向上を図った,段階的縮小順序モデリングフレームワークを提案する。 提案手法は,未使用情報を無視しながら,人間が有意義な知識を選択的に活用する方法と同様,事前訓練されたモデルからの知識をゲートを通じて選択的に伝達する。 我々は、多孔質媒体の輸送、重力駆動流れ、超弾性材料における有限変形など、いくつかのケースで我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2023-10-04T23:50:14Z)
• Learning a model is paramount for sample efficiency in reinforcement learning control of PDEs [5.488334211013093]
  RLエージェントの訓練と並行して動作モデルを学ぶことで,実システムからサンプリングしたデータ量を大幅に削減できることを示す。 また、RLトレーニングのバイアスを避けるために、モデルを反復的に更新することが重要であることも示している。
  論文  参考訳（メタデータ） (2023-02-14T16:14:39Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Toward Fault Detection in Industrial Welding Processes with Deep Learning and Data Augmentation [0.0]
  本稿では,AIツールの産業的実現における課題について述べる。 我々はオブジェクト検出APIからオブジェクト検出アルゴリズムを使用し、転送学習を用いてユースケースに適応する。 画像拡張によるデータセットの適度なスケーリングは、結合(IoU)とリコールの交差点の改善につながる。
  論文  参考訳（メタデータ） (2021-06-18T14:52:49Z)

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。