論文の概要: Robust Assembly Progress Estimation via Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2601.00422v1
• Date: Thu, 01 Jan 2026 18:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.438787
• Title: Robust Assembly Progress Estimation via Deep Metric Learning
• Title（参考訳）: Deep Metric Learningによるロバストアセンブリ進捗推定
• Authors: Kazuma Miura, Sarthak Pathak, Kazunori Umeda,
• Abstract要約: 近年、AI技術の進歩により、スマートファクトリーの開発が加速している。 特に、製品組み立ての進捗を自動で監視することが、運用効率の向上に不可欠である。 Anomaly Triplet-Netは、製品の視覚的特徴にディープ・メトリック・ラーニングを適用することで、組み立ての進捗を推定する。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the advancement of AI technologies has accelerated the development of smart factories. In particular, the automatic monitoring of product assembly progress is crucial for improving operational efficiency, minimizing the cost of discarded parts, and maximizing factory productivity. However, in cases where assembly tasks are performed manually over multiple days, implementing smart factory systems remains a challenge. Previous work has proposed Anomaly Triplet-Net, which estimates assembly progress by applying deep metric learning to the visual features of products. Nevertheless, when visual changes between consecutive tasks are subtle, misclassification often occurs. To address this issue, this paper proposes a robust system for estimating assembly progress, even in cases of occlusion or minimal visual change, using a small-scale dataset. Our method leverages a Quadruplet Loss-based learning approach for anomaly images and introduces a custom data loader that strategically selects training samples to enhance estimation accuracy. We evaluated our approach using a image datasets: captured during desktop PC assembly. The proposed Anomaly Quadruplet-Net outperformed existing methods on the dataset. Specifically, it improved the estimation accuracy by 1.3% and reduced misclassification between adjacent tasks by 1.9% in the desktop PC dataset and demonstrating the effectiveness of the proposed method.
• Abstract（参考訳）: 近年、AI技術の進歩により、スマートファクトリーの開発が加速している。 特に、製品組み立ての進捗を自動的に監視することは、作業効率の向上、廃棄部品のコストの最小化、工場生産性の最大化に不可欠である。 しかし, 組立作業が複数日間にわたって手動で行われる場合, スマートファクトリシステムの実装は依然として課題である。 Anomaly Triplet-Netは、製品の視覚的特徴にディープ・メトリック・ラーニングを適用することで、組み立ての進捗を推定する。 それでも、連続タスク間の視覚的変化が微妙な場合、しばしば誤分類が発生する。 この問題に対処するために,小規模データセットを用いて,閉塞や視覚変化を最小限に抑えた場合であっても,組立進捗を推定する堅牢なシステムを提案する。 提案手法は,異常画像に対するQuadruplet Lossに基づく学習手法を活用し,トレーニングサンプルを戦略的に選択し,推定精度を高めるカスタムデータローダを導入する。 デスクトップPCアセンブリ中にキャプチャした画像データセットを用いて,我々のアプローチを評価した。 提案されたAnomaly Quadruplet-Netは、データセット上の既存のメソッドよりも優れていた。 具体的には、デスクトップPCデータセットにおいて、推定精度を1.3%改善し、隣接タスク間の誤分類を1.9%削減し、提案手法の有効性を実証した。

関連論文リスト

• Smooth-Distill: A Self-distillation Framework for Multitask Learning with Wearable Sensor Data [0.0]
  本稿では,人間の活動認識(HAR)とセンサ配置検出を同時に行うように設計された,新しい自己蒸留フレームワークであるSmooth-Distillを紹介する。 従来の蒸留法とは異なり, 提案手法では, モデル自体のスムーズな歴史バージョンを教師として利用している。 実験結果から,Smooth-Distill は異なる評価シナリオにおける代替手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-27T06:51:51Z)
• An Innovative Data-Driven and Adaptive Reinforcement Learning Approach for Context-Aware Prescriptive Process Monitoring [3.4437362489150254]
  本稿では,Fun-Tuned Offline Reinforcement Learning Augmented Process Sequence Optimizationという新しいフレームワークを提案する。 FORLAPSは、状態依存型報酬形成機構によって強化された学習を活用して、ビジネスプロセスにおける最適な実行経路を特定することを目的としている。 また,FOLAPSは資源使用時間の31%削減,プロセス時間の23%削減を実現している。
  論文  参考訳（メタデータ） (2025-01-17T20:31:35Z)
• Reducing catastrophic forgetting of incremental learning in the absence of rehearsal memory with task-specific token [0.6144680854063939]
  ディープラーニングモデルは、新しいデータを継続的に学習する際に破滅的な忘れを見せる。 本稿では,従来のデータを保存することなく,過去の知識を保存できる新しい手法を提案する。 この方法は視覚変換器のアーキテクチャにインスパイアされ、各タスクの圧縮された知識をカプセル化できるユニークなトークンを使用する。
  論文  参考訳（メタデータ） (2024-11-06T16:13:50Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Real-Time Object Detection in Occluded Environment with Background Cluttering Effects Using Deep Learning [0.8192907805418583]
  混在した環境下での車やタンクのリアルタイム検出のためのディープラーニングモデルに集中する。 開発した手法は、カスタムデータセットを作成し、ノイズの多いデータセットをきれいにするために前処理技術を使用する。 SSD-Mobilenet v2モデルの精度とフレームは、YOLO V3やYOLO V4よりも高い。
  論文  参考訳（メタデータ） (2024-01-02T01:30:03Z)
• Few-shot Quality-Diversity Optimization [50.337225556491774]
  品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。 本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。 ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
  論文  参考訳（メタデータ） (2021-09-14T17:12:20Z)

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。