論文の概要: Adversarial Domain Adaptation for Metal Cutting Sound Detection: Leveraging Abundant Lab Data for Scarce Industry Data

• arxiv url: http://arxiv.org/abs/2410.17574v1
• Date: Wed, 23 Oct 2024 05:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:54:26.432393
• Title: Adversarial Domain Adaptation for Metal Cutting Sound Detection: Leveraging Abundant Lab Data for Scarce Industry Data
• Title（参考訳）: 金属切削音検出のための対向領域適応法:スカース産業データのためのアバウントラボデータを活用する
• Authors: Mir Imtiaz Mostafiz, Eunseob Kim, Adrian Shuai Li, Elisa Bertino, Martin Byung-Guk Jun, Ali Shakouri,
• Abstract要約: 機械学習(ML)モデルを用いた音響検出は,費用対効果の高い非侵襲的なモニタリング手法として利用することができる。 そこで本研究では,産業データ不足から学習するために,豊富な実験データを活用する新たなドメイン適応(DA)手法を提案する。 本モデルでは,多層パーセプトロンをベースとしたバニラドメイン適応モデルの性能を評価した。
• 参考スコア（独自算出の注目度）: 8.493339928079218
• License:
• Abstract: Cutting state monitoring in the milling process is crucial for improving manufacturing efficiency and tool life. Cutting sound detection using machine learning (ML) models, inspired by experienced machinists, can be employed as a cost-effective and non-intrusive monitoring method in a complex manufacturing environment. However, labeling industry data for training is costly and time-consuming. Moreover, industry data is often scarce. In this study, we propose a novel adversarial domain adaptation (DA) approach to leverage abundant lab data to learn from scarce industry data, both labeled, for training a cutting-sound detection model. Rather than adapting the features from separate domains directly, we project them first into two separate latent spaces that jointly work as the feature space for learning domain-independent representations. We also analyze two different mechanisms for adversarial learning where the discriminator works as an adversary and a critic in separate settings, enabling our model to learn expressive domain-invariant and domain-ingrained features, respectively. We collected cutting sound data from multiple sensors in different locations, prepared datasets from lab and industry domain, and evaluated our learning models on them. Experiments showed that our models outperformed the multi-layer perceptron based vanilla domain adaptation models in labeling tasks on the curated datasets, achieving near 92%, 82% and 85% accuracy respectively for three different sensors installed in industry settings.
• Abstract（参考訳）: 製錬工程における切削状態モニタリングは, 製造効率と工具寿命の向上に不可欠である。 機械学習(ML)モデルを用いた音響検出は、経験豊富な機械工にインスパイアされ、複雑な製造環境でコスト効率が高く非侵襲的な監視方法として用いられる。 しかし、トレーニングのための業界データのラベル付けはコストと時間を要する。 さらに、業界データも少ないことが多い。 そこで本研究では,高密度な実験室データを活用し,ラベル付の少ない産業データから,切削音検出モデルのトレーニングを行うための,新たな対向領域適応(DA)手法を提案する。 ドメインに依存しない表現を学習するための特徴空間として共同で機能する2つの独立した潜在空間に、まずこれらを投影する。 また,識別器が対立者として機能し,批判者が別々の設定で機能する対向学習の2つのメカニズムを分析し,各モデルが表現的ドメイン不変量およびドメイン固有値の特徴を学習できるようにする。 異なる場所で複数のセンサから音声データを抽出し、実験室と産業領域からデータセットを作成し、その上で学習モデルを評価した。 実験の結果, 産業環境に設置した3種類のセンサに対して, それぞれ92%, 82%, 85%の精度を達成し, 多層パーセプトロンベースのバニラドメイン適応モデルよりも優れていた。

関連論文リスト

• MDM: Advancing Multi-Domain Distribution Matching for Automatic Modulation Recognition Dataset Synthesis [35.07663680944459]
  ディープラーニング技術は、AMR(Automatic Modulation Recognition)タスクにうまく導入されている。 ディープラーニングの成功はすべて、大規模なデータセットのトレーニングによるものだ。 大量のデータの問題を解決するため、一部の研究者はデータ蒸留法を提唱した。
  論文  参考訳（メタデータ） (2024-08-05T14:16:54Z)
• A deep latent variable model for semi-supervised multi-unit soft sensing in industrial processes [0.0]
  半教師付きマルチユニットソフトセンシングのための潜時変動モデルを提案する。 この階層的で生成的なモデルは、ラベル付きデータとラベルなしデータの両方から学習するだけでなく、異なるユニットを共同でモデル化することができる。 半教師付き学習とマルチタスク学習を組み合わせることで,提案手法は優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-18T09:13:22Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• HaDR: Applying Domain Randomization for Generating Synthetic Multimodal Dataset for Hand Instance Segmentation in Cluttered Industrial Environments [0.0]
  本研究では、ドメインランダム化を用いて、マルチモーダルインスタンスセグメンテーションモデルのトレーニングのための合成RGB-Dデータセットを生成する。 提案手法により,既存の最先端データセットでトレーニングしたモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-12T13:02:08Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Ensemble of Discriminators for Domain Adaptation in Multiple Sound Source 2D Localization [7.564344795030588]
  本稿では,複数音源の局所化のための領域適応手法の精度を向上させる識別器のアンサンブルを提案する。 このようなデータセットの記録とラベリングは、特にさまざまな音響条件をカバーするために十分な多様性を必要とするため、非常にコストがかかる。
  論文  参考訳（メタデータ） (2020-12-10T09:17:29Z)

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。