論文の概要: Patch and Shuffle: A Preprocessing Technique for Texture Classification in Autonomous Cementitious Fabrication

• arxiv url: http://arxiv.org/abs/2504.10353v1
• Date: Mon, 14 Apr 2025 16:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:51:20.313924
• Title: Patch and Shuffle: A Preprocessing Technique for Texture Classification in Autonomous Cementitious Fabrication
• Title（参考訳）: Patch and Shuffle: 自動セメント加工におけるテクスチャ分類のための前処理技術
• Authors: Jeremiah Giordani,
• Abstract要約: パッチとシャッフル」技術は、入力画像を小さなパッチに分割し、シャッフルし、分類する前にジャンブルイメージを再構築する。 本稿では,ResNet-18 ベースのアーキテクチャを用いて,押出セメント画像のデータセット上で本手法を評価する。 パッチとシャッフルのモデルは90.64%の精度で、ベースラインは72.46%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Autonomous fabrication systems are transforming construction and manufacturing, yet they remain vulnerable to print errors. Texture classification is a key component of computer vision systems that enable real-time monitoring and adjustment during cementitious fabrication. Traditional classification methods often rely on global image features, which can bias the model toward semantic content rather than low-level textures. In this paper, we introduce a novel preprocessing technique called "patch and shuffle," which segments input images into smaller patches, shuffles them, and reconstructs a jumbled image before classification. This transformation removes semantic context, forcing the classifier to rely on local texture features. We evaluate this approach on a dataset of extruded cement images, using a ResNet-18-based architecture. Our experiments compare the patch and shuffle method to a standard pipeline, holding all other factors constant. Results show a significant improvement in accuracy: the patch and shuffle model achieved 90.64% test accuracy versus 72.46% for the baseline. These findings suggest that disrupting global structure enhances performance in texture-based classification tasks. This method has implications for broader vision tasks where low-level features matter more than high-level semantics. The technique may improve classification in applications ranging from fabrication monitoring to medical imaging.
• Abstract（参考訳）: 自律的な製造システムは建設と製造を変革しているが、印刷エラーに弱いままである。 テクスチャ分類は、セメント加工中のリアルタイムモニタリングと調整を可能にするコンピュータビジョンシステムの重要な構成要素である。 伝統的な分類法は、しばしば、低レベルのテクスチャではなく、セマンティックコンテンツに対するモデルに偏りがある、グローバルな画像特徴に依存している。 本稿では、入力画像を小さなパッチに分割し、シャッフルし、分類する前にジャンブルイメージを再構築する「パッチ・アンド・シャッフル」と呼ばれる新しい前処理手法を提案する。 この変換は意味的コンテキストを排除し、分類器は局所的なテクスチャ機能に頼らざるを得ない。 本稿では,ResNet-18アーキテクチャを用いて,押出セメント画像のデータセット上で本手法を評価する。 我々の実験では、パッチとシャッフルメソッドを標準パイプラインと比較し、他のすべての要因を一定に保った。 パッチとシャッフルのモデルは90.64%の精度で、ベースラインは72.46%だった。 これらの結果から,グローバルな構造を乱すことにより,テクスチャに基づく分類作業のパフォーマンスが向上することが示唆された。 この手法は,低レベルの特徴が高レベルの意味論よりも重要であるような,より広範な視覚タスクに影響を及ぼす。 この技術は、製造監視から医用画像まで幅広い分野の分類を改善する可能性がある。

関連論文リスト

• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Hardware Resilience Properties of Text-Guided Image Classifiers [15.787551066303804]
  本稿では,過渡的ハードウェアエラーに直面した配置中の画像分類モデルの信頼性を高める新しい手法を提案する。 当社のアプローチは,ハードウェアの信頼性の平均的な向上を目覚ましい5.5倍に達成しています。
  論文  参考訳（メタデータ） (2023-11-23T15:38:13Z)
• MixReorg: Cross-Modal Mixed Patch Reorganization is a Good Mask Learner for Open-World Semantic Segmentation [110.09800389100599]
  セマンティックセグメンテーションのための新鮮で簡単な事前学習パラダイムであるMixReorgを提案する。 我々のアプローチは、パッチとテキストの対応を保ちながら、画像パッチを混合することで、きめ細かいパッチテキストペアデータを生成することである。 マスク学習者としてMixReorgを使用することで、従来のテキスト教師付きセマンティックセマンティックセマンティックモデルは、非常に一般化可能なピクセル・セマンティックアライメントを実現することができる。
  論文  参考訳（メタデータ） (2023-08-09T09:35:16Z)
• Deep Neural Networks Fused with Textures for Image Classification [20.58839604333332]
  きめ細かい画像分類はコンピュータビジョンにおいて難しい課題である。 グローバルテクスチャと局所パッチ情報を組み合わせたFGICの融合手法を提案する。 提案手法は,有意なマージンを有する既存手法よりも高い分類精度を達成できた。
  論文  参考訳（メタデータ） (2023-08-03T15:21:08Z)
• Learning Accurate Template Matching with Differentiable Coarse-to-Fine Correspondence Refinement [28.00275083733545]
  本稿では, 精度の高いテンプレートマッチング手法を提案する。 変圧器によって提供される新規な構造認識情報に基づいて、粗い対応を用いて初期ワープを推定する。 提案手法は最先端の手法やベースラインよりも大幅に優れており,実データにおいても,優れた一般化能力と視覚的検証が可能な結果が得られる。
  論文  参考訳（メタデータ） (2023-03-15T08:24:10Z)
• Modeling Image Composition for Complex Scene Generation [77.10533862854706]
  本稿では,レイアウト・ツー・イメージ生成タスクにおける最先端結果を実現する手法を提案する。 本稿では,RGB画像をパッチトークンに圧縮した後,オブジェクト・トゥ・オブジェクト,オブジェクト・トゥ・パッチ,パッチ・トゥ・パッチの依存関係を探索するTransformer with Focal Attention (TwFA)を提案する。
  論文  参考訳（メタデータ） (2022-06-02T08:34:25Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Image Inpainting Guided by Coherence Priors of Semantics and Textures [62.92586889409379]
  セマンティクスとテクスチャ間のコヒーレンスプリエンスを導入することにより、セマンティクス的な方法で別々のテクスチャを完成させることに集中できる。 また,全体構造と詳細なテクスチャの観点から,セマンティクスとインペインテッドイメージの一貫性を制約する2つのコヒーレンス損失を提案する。
  論文  参考訳（メタデータ） (2020-12-15T02:59:37Z)
• Texture image classification based on a pseudo-parabolic diffusion model [0.0]
  提案手法は、確立されたベンチマークテクスチャデータベースの分類と、植物種認識の実践的な課題について検証する。 画像の同種領域内では、擬似放物的演算子が、うる限りノイズの多い詳細を滑らかにすることができることで、優れた性能を大いに正当化することができる。
  論文  参考訳（メタデータ） (2020-11-14T00:04:07Z)
• Image Quality Assessment: Unifying Structure and Texture Similarity [38.05659069533254]
  テクスチャリサンプリングに対する耐性を明示した,最初のフル参照画像品質モデルを開発した。 畳み込みニューラルネットワークを用いて、画像をオーバーコンプリート表現に変換するインジェクティブで微分可能な関数を構築する。
  論文  参考訳（メタデータ） (2020-04-16T16:11:46Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。