論文の概要: Automated Neural Architecture Design for Industrial Defect Detection

• arxiv url: http://arxiv.org/abs/2510.06669v1
• Date: Wed, 08 Oct 2025 05:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.318878
• Title: Automated Neural Architecture Design for Industrial Defect Detection
• Title（参考訳）: 産業欠陥検出のための自動ニューラルネットワーク設計
• Authors: Yuxi Liu, Yunfeng Ma, Yi Tang, Min Liu, Shuai Jiang, Yaonan Wang,
• Abstract要約: 産業表面欠陥検出(SDD)は製品の品質と製造信頼性を確保するために重要である。 我々は、畳み込み、トランスフォーマー、多層パーセプトロンを共同で検索する、SDDのための自動ニューラルネットワーク設計フレームワークであるAutoNADを提案する。 AutoNADの有効性は、3つの産業的欠陥データセットで検証され、欠陥イメージングと検出プラットフォームでさらに適用される。
• 参考スコア（独自算出の注目度）: 40.72225113019191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial surface defect detection (SDD) is critical for ensuring product quality and manufacturing reliability. Due to the diverse shapes and sizes of surface defects, SDD faces two main challenges: intraclass difference and interclass similarity. Existing methods primarily utilize manually designed models, which require extensive trial and error and often struggle to address both challenges effectively. To overcome this, we propose AutoNAD, an automated neural architecture design framework for SDD that jointly searches over convolutions, transformers, and multi-layer perceptrons. This hybrid design enables the model to capture both fine-grained local variations and long-range semantic context, addressing the two key challenges while reducing the cost of manual network design. To support efficient training of such a diverse search space, AutoNAD introduces a cross weight sharing strategy, which accelerates supernet convergence and improves subnet performance. Additionally, a searchable multi-level feature aggregation module (MFAM) is integrated to enhance multi-scale feature learning. Beyond detection accuracy, runtime efficiency is essential for industrial deployment. To this end, AutoNAD incorporates a latency-aware prior to guide the selection of efficient architectures. The effectiveness of AutoNAD is validated on three industrial defect datasets and further applied within a defect imaging and detection platform. Code will be available at https://github.com/Yuxi104/AutoNAD.
• Abstract（参考訳）: 産業表面欠陥検出(SDD)は製品の品質と製造信頼性を確保するために重要である。 表面欠陥の多様さと大きさのため、SDDはクラス内差とクラス間類似性という2つの大きな課題に直面している。 既存の手法は主に手動設計のモデルを利用しており、広範囲の試行錯誤が必要であり、しばしば両方の課題に効果的に対処するのに苦労する。 これを解決するために、私たちは、畳み込み、トランスフォーマー、多層パーセプトロンを共同で検索するSDDのための自動ニューラルネットワーク設計フレームワークであるAutoNADを提案する。 このハイブリッド設計により、手動ネットワーク設計のコストを低減しつつ、2つの重要な課題に対処しながら、局所的なきめ細かな変化と長距離セマンティックコンテキストの両方を捉えることができる。 このような多様な検索空間の効率的なトレーニングを支援するために、AutoNADは、スーパーネットの収束を加速し、サブネットの性能を向上させるクロスウェイト共有戦略を導入した。 さらに、検索可能なマルチレベル特徴集約モジュール(MFAM)を統合し、マルチスケール特徴学習を強化する。 検出精度以外にも、実行効率は産業展開に不可欠である。 この目的のためにAutoNADは、効率的なアーキテクチャの選択をガイドするために、遅延認識を組み込んでいる。 AutoNADの有効性は、3つの産業的欠陥データセットで検証され、欠陥イメージングと検出プラットフォームでさらに適用される。 コードはhttps://github.com/Yuxi104/AutoNAD.comから入手できる。

関連論文リスト

• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• DANet: Enhancing Small Object Detection through an Efficient Deformable Attention Network [0.0]
  我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。 より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。 変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
  論文  参考訳（メタデータ） (2023-10-09T14:54:37Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Semiconductor Defect Pattern Classification by Self-Proliferation-and-Attention Neural Network [30.329065698451902]
  欠陥分類をより効率的に行うことができる新しいアーキテクチャを提案する。 第一の関数は自己増殖であり、一連の線形変換を用いて低コストでより多くの特徴写像を生成する。 第2の機能は自己注意であり、チャネルワイドおよび空間ワイドアテンション機構により特徴写像の長距離依存性をキャプチャする。 他の最新の手法と比較すると、多くの欠陥検査タスクにおいてSP&A-Netは精度が高く、低コストである。
  論文  参考訳（メタデータ） (2022-12-01T08:17:21Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)

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。