論文の概要: Synthetic Similarity Search in Automotive Production

• arxiv url: http://arxiv.org/abs/2505.07256v1
• Date: Mon, 12 May 2025 06:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.272014
• Title: Synthetic Similarity Search in Automotive Production
• Title（参考訳）: 自動車生産における合成類似性探索
• Authors: Christoph Huber, Ludwig Schleeh, Dino Knoll, Michael Guthe,
• Abstract要約: 本稿では,視覚に基づく基礎モデルと合成データを用いた類似性探索を組み合わせた新しい画像分類パイプラインを提案する。 本手法を実世界の8つの検査シナリオで評価し,実運用環境における高い性能要件を満たすことを示す。
• 参考スコア（独自算出の注目度）: 0.4499833362998487
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Visual quality inspection in automotive production is essential for ensuring the safety and reliability of vehicles. Computer vision (CV) has become a popular solution for these inspections due to its cost-effectiveness and reliability. However, CV models require large, annotated datasets, which are costly and time-consuming to collect. To reduce the need for extensive training data, we propose a novel image classification pipeline that combines similarity search using a vision-based foundation model with synthetic data. Our approach leverages a DINOv2 model to transform input images into feature vectors, which are then compared to pre-classified reference images using cosine distance measurements. By utilizing synthetic data instead of real images as references, our pipeline achieves high classification accuracy without relying on real data. We evaluate this approach in eight real-world inspection scenarios and demonstrate that it meets the high performance requirements of production environments.
• Abstract（参考訳）: 自動車製造における品質検査は、車両の安全性と信頼性を確保するために不可欠である。 コンピュータビジョン(CV)は、コスト効率と信頼性のため、これらの検査の一般的な解決策となっている。 しかし、CVモデルは巨大な注釈付きデータセットを必要としており、収集にはコストと時間を要する。 そこで本研究では,視覚に基づく基礎モデルを用いた類似性探索と合成データを組み合わせた画像分類パイプラインを提案する。 提案手法では,DINOv2モデルを用いて入力画像を特徴ベクトルに変換する。 実画像ではなく合成データを参照として活用することにより,本パイプラインは実データに頼ることなく高い分類精度を実現する。 本手法を実世界の8つの検査シナリオで評価し,実運用環境における高い性能要件を満たすことを示す。

関連論文リスト

• Fully-Synthetic Training for Visual Quality Inspection in Automotive Production [0.4915744683251149]
  領域ランダム化を用いた合成画像を生成するパイプラインを提案する。 提案手法を実検シナリオで評価し,合成データのみに基づいて訓練された物体検出モデルが実画像上で訓練されたモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-12T12:58:30Z)
• Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
  本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。 具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。 我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
  論文  参考訳（メタデータ） (2024-12-19T03:39:13Z)
• Analysis of Classifier Training on Synthetic Data for Cross-Domain Datasets [4.696575161583618]
  本研究は、高度な運転支援システムと自律運転のためのカメラベースの交通標識認識アプリケーションに焦点を当てた。 合成データセットの増補パイプラインは、構造化影やガウスの特異なハイライトのような新しい増補プロセスを含む。 実験の結果、クロスドメインテストデータセットに適用した場合、ほとんどの場合、合成画像ベースアプローチは実際の画像ベーストレーニングよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-30T07:11:41Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。 トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Visual Car Brand Classification by Implementing a Synthetic Image Dataset Creation Pipeline [3.524869467682149]
  安定拡散を用いた合成画像データセットの自動生成パイプラインを提案する。 YOLOv8を用いて自動境界ボックス検出と合成画像の品質評価を行う。
  論文  参考訳（メタデータ） (2024-06-03T07:44:08Z)
• Investigation of the Impact of Synthetic Training Data in the Industrial Application of Terminal Strip Object Detection [4.327763441385371]
  本稿では,端末ストリップ物体検出の複雑な産業応用における標準対象検出器のシム・トゥ・リアル一般化性能について検討する。 評価のために300個の実画像に手動でアノテートを行った結果,どちらの領域でも同じ規模の興味の対象が重要であることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T18:33:27Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)

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。