Fugu-MT 論文翻訳(概要): Automated Annotation of Shearographic Measurements Enabling Weakly Supervised Defect Detection

論文の概要: Automated Annotation of Shearographic Measurements Enabling Weakly Supervised Defect Detection

arxiv url: http://arxiv.org/abs/2512.06171v1
Date: Fri, 05 Dec 2025 21:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-09 22:03:54.216666
Title: Automated Annotation of Shearographic Measurements Enabling Weakly Supervised Defect Detection
Title（参考訳）: 欠陥検出を弱めるせん断計測の自動アノテーション
Authors: Jessica Plassmann, Nicolas Schuler, Michael Schuth, Georg von Freymann,
Abstract要約: 産業採用における重要な制限は、高品質なアノテートデータセットの欠如である。深層学習を用いたせん断計測から欠陥アノテーションを生成する自動ワークフローを導入する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Shearography is an interferometric technique sensitive to surface displacement gradients, providing high sensitivity for detecting subsurface defects in safety-critical components. A key limitation to industrial adoption is the lack of high-quality annotated datasets, since manual labeling remains labor-intensive, subjective, and difficult to standardize. We introduce an automated workflow that generates defect annotations from shearography measurements using deep learning, producing high-resolution segmentation and bounding-box labels. Evaluation against expert-labeled data demonstrates sufficient accuracy to enable weakly supervised training, reducing manual effort and supporting scalable dataset creation for robust defect detection.
Abstract（参考訳）: シーアログラフィーは、表面変位勾配に敏感な干渉計測技術であり、安全臨界成分の表面欠陥の検出に高い感度を提供する。手動ラベリングは労働集約的であり、主観的で、標準化が難しいため、産業採用の鍵となるのは、高品質なアノテートデータセットの欠如である。ディープラーニングを用いたせん断計測から欠陥アノテーションを生成する自動ワークフローを導入し,高分解能セグメンテーションとバウンディングボックスラベルを生成する。専門家ラベル付きデータに対する評価は、弱い教師付きトレーニングを可能にするのに十分な精度を示し、手作業の削減と堅牢な欠陥検出のためのスケーラブルなデータセット生成をサポートする。

関連論文リスト

Unsupervised Learning for Industrial Defect Detection: A Case Study on Shearographic Data [0.0]
本研究では,せん断画像の自動異常検出のための教師なし学習手法について検討する。完全に接続されたオートエンコーダ、畳み込みオートエンコーダ、学生-教師モデルという3つのアーキテクチャが評価されている。その結果, 生徒-教師のアプローチは, より優れた分類を達成し, 正確なローカライゼーションを可能にすることがわかった。
論文参考訳（メタデータ） (2025-11-04T12:48:02Z)
LVLMs as inspectors: an agentic framework for category-level structural defect annotation [3.2445985501669434]
エージェントベースの新しいエージェントアノテーションフレームワークであるDefect Pattern Taggerが導入された。これはLVLM(Large Vision-Language Models)とセマンティックパターンマッチングモジュールと反復的な自己探索機構を統合している。生の視覚データを高品質でセマンティックにラベル付けされた欠陥データセットに変換する。
論文参考訳（メタデータ） (2025-10-01T07:31:42Z)
Region-Aware CAM: High-Resolution Weakly-Supervised Defect Segmentation via Salient Region Perception [2.9962030276180758]
本稿では,弱教師付きセマンティックセマンティックセグメンテーションフレームワークを提案する。リージョン対応のクラスアクティベーションマップ(CAM)と擬似ラベルトレーニングで構成されている。提案手法は,弱教師付き学習と高精度欠陥分割のギャップを効果的に埋めるものである。
論文参考訳（メタデータ） (2025-06-28T12:24:45Z)
Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
論文参考訳（メタデータ） (2025-05-23T15:05:56Z)
Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文参考訳（メタデータ） (2024-07-17T09:27:41Z)
Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
論文参考訳（メタデータ） (2024-01-01T08:19:21Z)
Overhead Line Defect Recognition Based on Unsupervised Semantic Segmentation [8.672676348736834]
オーバーヘッドラインインスペクションは、可視光画像を用いた欠陥認識の恩恵が大きい。本稿では,Faster RCNNネットワーク上に構築された新しい欠陥認識フレームワークを提案する。
論文参考訳（メタデータ） (2023-11-02T03:52:59Z)
Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
論文参考訳（メタデータ） (2023-07-15T22:13:36Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-02-26T16:03:55Z)
Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。