論文の概要: Robust Cross-Domain Adaptation in Texture Features Transferring for Wood Chip Moisture Content Prediction

• arxiv url: http://arxiv.org/abs/2510.16832v1
• Date: Sun, 19 Oct 2025 13:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.17183
• Title: Robust Cross-Domain Adaptation in Texture Features Transferring for Wood Chip Moisture Content Prediction
• Title（参考訳）: 木材チップの水分量予測のためのテクスチャー特徴伝達におけるロバストなクロスドメイン適応
• Authors: Abdur Rahman, Mohammad Marufuzzaman, Jason Street, Haifeng Wang, Veera G. Gude, Randy Buchanan,
• Abstract要約: 木材チップの含水率の高精度かつ迅速な予測は, バイオ燃料生産の最適化とエネルギー効率の確保に重要である。 従来の研究では、手作業で抽出したテクスチャの特徴が、木材チップの水分クラスを予測する可能性があることが示されている。 本稿では,テクスチャ機能を利用して知識をあるソースから別のソースへ伝達するドメイン適応手法AdaptMoistを提案する。
• 参考スコア（独自算出の注目度）: 7.920799807558786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and quick prediction of wood chip moisture content is critical for optimizing biofuel production and ensuring energy efficiency. The current widely used direct method (oven drying) is limited by its longer processing time and sample destructiveness. On the other hand, existing indirect methods, including near-infrared spectroscopy-based, electrical capacitance-based, and image-based approaches, are quick but not accurate when wood chips come from various sources. Variability in the source material can alter data distributions, undermining the performance of data-driven models. Therefore, there is a need for a robust approach that effectively mitigates the impact of source variability. Previous studies show that manually extracted texture features have the potential to predict wood chip moisture class. Building on this, in this study, we conduct a comprehensive analysis of five distinct texture feature types extracted from wood chip images to predict moisture content. Our findings reveal that a combined feature set incorporating all five texture features achieves an accuracy of 95% and consistently outperforms individual texture features in predicting moisture content. To ensure robust moisture prediction, we propose a domain adaptation method named AdaptMoist that utilizes the texture features to transfer knowledge from one source of wood chip data to another, addressing variability across different domains. We also proposed a criterion for model saving based on adjusted mutual information. The AdaptMoist method improves prediction accuracy across domains by 23%, achieving an average accuracy of 80%, compared to 57% for non-adapted models. These results highlight the effectiveness of AdaptMoist as a robust solution for wood chip moisture content estimation across domains, making it a potential solution for wood chip-reliant industries.
• Abstract（参考訳）: 木材チップの含水率の高精度かつ迅速な予測は, バイオ燃料生産の最適化とエネルギー効率の確保に重要である。 現在の広く使われている直接法(オーブン乾燥)は、処理時間と試料破壊性によって制限されている。 一方, 近赤外分光法, 電気容量法, 画像ベースアプローチなど, 既存の間接的手法は, 木材チップが様々なソースから来ている場合, 高速だが正確ではない。 ソース材料の可変性は、データ分散を変更でき、データ駆動モデルの性能を損なう。 したがって、ソース変数の影響を効果的に緩和する堅牢なアプローチが必要である。 従来の研究では、手作業で抽出したテクスチャの特徴が、木材チップの水分クラスを予測する可能性があることが示されている。 そこで本研究では,木製チップ画像から抽出した5種類の異なるテクスチャの特徴を包括的に分析し,水分含量を予測する。 その結果,5つのテクスチャ特徴を総合的に組み合わせることで,95%の精度を実現し,水分量予測における個々のテクスチャ特徴よりも一貫して優れることがわかった。 そこで本研究では,このテクスチャ機能を利用して,木材チップデータのソースから別のソースへの知識伝達を行うドメイン適応手法AdaptMoistを提案する。 また,調整された相互情報に基づくモデル保存の基準も提案した。 AdaptMoist法はドメイン間の予測精度を23%改善し,非適応モデルでは57%に対して平均80%の精度を達成した。 これらの結果から,アダプモイストを木質チップの水分量推定の堅牢なソリューションとして有効性を強調した。

関連論文リスト

• Can Molecular Foundation Models Know What They Don't Know? A Simple Remedy with Preference Optimization [54.22711328577149]
  既存の基盤モデルと柔軟に統合可能なプラグイン・アンド・プレイモジュールである,分子適応型参照インスタンスランキング(Mole-PAIR)を導入する。 本手法は既存の分子基盤モデルのOOD検出能力を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-09-29T21:06:52Z)
• Multi-Modal Fusion of In-Situ Video Data and Process Parameters for Online Forecasting of Cookie Drying Readiness [0.11510009152620666]
  本稿では,リアルタイム食品乾燥予測のためのプロセスパラメータとその場のビデオデータを統合する,エンドツーエンドのマルチモーダルデータ融合フレームワークを提案する。 本手法を糖類乾燥に適用し, タイムスタンプ毎に時間と可読性を予測した。 我々のモデルは平均15秒の予測誤差を達成し、65.69%の最先端データ融合法、11.30%の動画のみのモデルを実現した。
  論文  参考訳（メタデータ） (2025-04-22T05:37:55Z)
• Multi-Modal Data Fusion for Moisture Content Prediction in Apple Drying [0.11510009152620666]
  乾燥工程の品質管理には,最終水分量(MC)の正確な予測が不可欠である。 本稿では,2つのデータモダリティを効果的に融合する,新しいマルチモーダルデータ融合フレームワークを提案する。 実験により,マルチモーダル手法は最先端手法と比較して予測精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-04-10T05:29:04Z)
• MoistNet: Machine Vision-based Deep Learning Models for Wood Chip Moisture Content Measurement [11.65689410574879]
  本研究では,木材チップのRGB画像から,深層学習とマシンビジョンを用いて水分含有量のクラスを予測する。 2つの高性能ニューラルネットワーク、MoistNetLiteとMoistNetMaxが開発されている。 その結果,MoistNetLiteは計算オーバーヘッドを最小限に抑えて87%の精度を達成し,MoistNetMaxは木材チップ水分量クラス予測において91%の精度で例外的精度を示した。
  論文  参考訳（メタデータ） (2024-09-07T22:03:13Z)
• Distributional Drift Detection in Medical Imaging with Sketching and Fine-Tuned Transformer [2.7552551107566137]
  本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。 我々は,リアルタイム異常検出のための堅牢なベースラインライブラリモデルを開発し,画像の効率的な比較を可能にした。 マンモグラフィーをケーススタディとして,訓練済みのビジョントランスモデルを微調整し,関連する特徴を抽出した。
  論文  参考訳（メタデータ） (2024-08-15T23:46:37Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Exploring Covariate and Concept Shift for Detection and Calibration of Out-of-Distribution Data [77.27338842609153]
  キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。 分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。 我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
  論文  参考訳（メタデータ） (2021-10-28T15:42:55Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)

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。