論文の概要: Using In-Context Learning for Automatic Defect Labelling of Display Manufacturing Data

• arxiv url: http://arxiv.org/abs/2506.04717v1
• Date: Thu, 05 Jun 2025 07:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.591428
• Title: Using In-Context Learning for Automatic Defect Labelling of Display Manufacturing Data
• Title（参考訳）: インコンテキスト学習を用いたディスプレイ製造データの欠陥自動ラベリング
• Authors: Babar Hussain, Qiang Liu, Gang Chen, Bihai She, Dahai Yu,
• Abstract要約: 本稿では,ディスプレイパネル欠陥検出のためのAIを用いた自動ラベルシステムを提案する。 我々は、いくつかのドメイン固有のトレーニング技術を用いて、SegGPTアーキテクチャを採用し、拡張する。 本稿では,ラベリングプロセスの合理化のために,スクリブルベースのアノテーション機構を導入する。
• 参考スコア（独自算出の注目度）: 8.232368791409478
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents an AI-assisted auto-labeling system for display panel defect detection that leverages in-context learning capabilities. We adopt and enhance the SegGPT architecture with several domain-specific training techniques and introduce a scribble-based annotation mechanism to streamline the labeling process. Our two-stage training approach, validated on industrial display panel datasets, demonstrates significant improvements over the baseline model, achieving an average IoU increase of 0.22 and a 14% improvement in recall across multiple product types, while maintaining approximately 60% auto-labeling coverage. Experimental results show that models trained on our auto-labeled data match the performance of those trained on human-labeled data, offering a practical solution for reducing manual annotation efforts in industrial inspection systems.
• Abstract（参考訳）: 本稿では,インコンテキスト学習機能を活用したディスプレイパネル欠陥検出のためのAI支援自動ラベルシステムを提案する。 我々は、いくつかのドメイン固有のトレーニング手法でSegGPTアーキテクチャを採用し、拡張し、ラベリングプロセスを合理化するためのスクリブルベースのアノテーション機構を導入する。 インダストリアルディスプレイパネルデータセットで検証した2段階のトレーニングアプローチでは,ベースラインモデルよりも大幅に改善され,平均IoUが0.22,リコールが14%向上し,自動ラベルのカバレッジが約60%を維持した。 実験結果から, 自動ラベル付きデータを用いたトレーニングモデルは, 人間のラベル付きデータを用いたトレーニング結果と一致し, 産業検査システムにおける手動アノテーションの取り組みを減らすための実用的な解決策が得られた。

関連論文リスト

• DynClean: Training Dynamics-based Label Cleaning for Distantly-Supervised Named Entity Recognition [49.54155332262579]
  本稿では,トレーニングの進行に伴うモデルの挙動を生かした,トレーニングダイナミクスに基づくラベルクリーニング手法を提案する。 また,遠隔ラベルの誤りを見つけるための自動しきい値推定手法も導入する。 提案手法は,4つのデータセットにまたがる高度なDS-NER手法よりも優れている。
  論文  参考訳（メタデータ） (2025-04-06T20:54:42Z)
• Efficient and Context-Aware Label Propagation for Zero-/Few-Shot Training-Free Adaptation of Vision-Language Model [41.55165760439727]
  視覚言語モデル(VLM)は、さまざまな下流タスクに取り組むために、トレーニング済みの大きなモデルを活用することで、機械学習に革命をもたらした。 ラベル効率適応と推論のためのグラフベースの手法を提案する。 提案手法は,テキストプロンプト,少数ショット例,テストサンプルのグラフを動的に構築する。
  論文  参考訳（メタデータ） (2024-12-24T09:15:00Z)
• Enhancing Hyperspectral Image Prediction with Contrastive Learning in Low-Label Regime [0.810304644344495]
  自己教師付きコントラスト学習は、限られたラベル付きデータの課題に対処するための効果的なアプローチである。 単一ラベルと複数ラベルの分類タスクに対して,本手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-10-10T10:20:16Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Toward Open-domain Slot Filling via Self-supervised Co-training [2.7178968279054936]
  スロットフィリングは現代の会話システムにおいて重要なタスクの1つである。 本研究では,SCotと呼ばれる自己教師付き協調学習フレームワークを提案する。 評価の結果,SCotはSGDおよびMultiWoZデータセットで45.57%,37.56%,最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-24T04:51:22Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Self-Contrastive Learning based Semi-Supervised Radio Modulation Classification [6.089994098441994]
  本稿では,自動変調分類(AMC)のための半教師付き学習フレームワークを提案する。 自己教師付きコントラスト学習事前学習ステップを用いてラベル付き信号データを慎重に利用することにより,少ないラベル付きデータに対して高い性能を実現する。 公開データセットを用いた半教師付きフレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2022-03-29T22:21:14Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Pseudo-Representation Labeling Semi-Supervised Learning [0.0]
  近年、半教師付き学習は、ラベルのないデータを活用してディープラーニングモデルの性能向上に成功している。 本研究は、擬似ラベル付け技術を用いて少量の未ラベルデータを反復的にラベル付けし、それらをトレーニングデータとして使用する、シンプルで柔軟なフレームワークである擬似表現ラベリングを提案する。 従来の手法と比較して、擬似表現ラベリングはより直感的であり、現実世界の実践的な問題を効果的に解決することができる。
  論文  参考訳（メタデータ） (2020-05-31T03:55:41Z)

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。