論文の概要: Network Knowledge Prior Guided Learning for Data-Efficient Surface Defect Detection

• arxiv url: http://arxiv.org/abs/2605.17780v1
• Date: Mon, 18 May 2026 02:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.613438
• Title: Network Knowledge Prior Guided Learning for Data-Efficient Surface Defect Detection
• Title（参考訳）: データ効率の良い表面欠陥検出のためのネットワーク知識事前学習
• Authors: Hang-Cheng Dong, Guodong Liu, Dong Ye, Bingguo Liu,
• Abstract要約: 本稿では,モデル解釈可能性を学習プロセスにシームレスに統合する知識誘導損失関数を提案する。 まず、一次分類ネットワークを訓練し、その説明は、サリエンシマップの形で、事前知識として生成する。 複数の公開欠陥データセットの実験により、我々のアプローチは精度とAPの観点からベースラインモデルの性能を一貫して向上することを示した。
• 参考スコア（独自算出の注目度）: 3.467019758110102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have become the de facto standard for industrial defect detection. However, their data-hungry nature and inherent "black-box" characteristics often lead to performance bottlenecks and limited trustworthiness in real-world applications. To address these challenges, this paper proposes a novel knowledge-guided loss function that seamlessly integrates model interpretability into the training process without incurring any additional inference cost. Our method operates in two phases: first, a primary classification network is trained, and its explanations, in the form of saliency maps, are generated as prior knowledge. Second, a multi-task learning framework is established, where the main task performs classification, and an auxiliary task imposes consistency between the saliency maps of the final model and the primary model. This consistency is enforced by a dedicated knowledge-guided loss term, effectively acting as a powerful regularizer to steer the model towards robust feature representations. Extensive experiments on multiple public defect datasets demonstrate that our approach consistently enhances the performance of baseline models in terms of accuracy and AP. Moreover, visual analysis reveals that the proposed method yields more concentrated and human-intelligible saliency maps. This work presents a simple yet effective paradigm for bridging the gap between model performance and interpretability, paving the way for more reliable and high-performing vision systems in industrial quality inspection.
• Abstract（参考訳）: 深層学習に基づく手法が産業欠陥検出のデファクトスタンダードとなっている。 しかし、それらのデータ不足の性質と固有の"ブラックボックス"の特徴は、実世界のアプリケーションにおいてパフォーマンスのボトルネックと限られた信頼性に繋がることが多い。 これらの課題に対処するために,新たな知識誘導損失関数を提案する。 まず、一次分類ネットワークを訓練し、その説明は、サリエンシマップの形で、事前知識として生成する。 第2に、主タスクが分類を行うマルチタスク学習フレームワークを確立し、補助タスクは、最終モデルの正当性マップと一次モデルの整合性を強制する。 この一貫性は知識誘導損失項によって強制され、ロバストな特徴表現に向けてモデルを操る強力な正規化器として効果的に機能する。 複数の公開欠陥データセットに対する大規模な実験により、我々のアプローチは精度とAPの観点からベースラインモデルの性能を一貫して向上させることを示した。 さらに,視覚的解析により,提案手法はより密集し,より人間に理解不能なサリエンシマップを生成することが明らかとなった。 本研究は, 産業品質検査において, モデル性能と解釈可能性のギャップを埋める, 信頼性が高く, 高い性能の視覚システムを実現するための, シンプルかつ効果的なパラダイムを提案する。

関連論文リスト

• A Knowledge-Informed Pretrained Model for Causal Discovery [61.8885572392623]
  因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。 本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。 本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
  論文  参考訳（メタデータ） (2026-03-21T14:59:41Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• Provenance Networks: End-to-End Exemplar-Based Explainability [0.0]
  私たちは、エンドツーエンドのトレーニングデータ駆動型説明可能性を提供するように設計された、新しいニューラルネットワークのクラスである、プロフェランスネットワークを紹介します。 確率ネットワークは、モデルの通常の操作の一部として、各予測を支援トレーニングの例に直接リンクすることを学ぶ。 これは、モデル不透明さ、幻覚、データコントリビュータへのクレジットの割り当てなど、現代のディープラーニングにおける重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-10-03T01:48:38Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Reasoning Inconsistencies and How to Mitigate Them in Deep Learning [4.124590489579409]
  この論文は予測的不整合を検出し定量化する2つの技術に貢献している。 トレーニングデータのバイアスから不整合を緩和するため,本論文では,データ効率のよいサンプリング手法を提案する。 最後に、この論文は、複雑な推論タスクのためにモデルを最適化する2つのテクニックを提供する。
  論文  参考訳（メタデータ） (2025-04-03T13:40:55Z)
• The Fairness Stitch: Unveiling the Potential of Model Stitching in Neural Network De-Biasing [0.043512163406552]
  本研究では,深層学習モデルの公平性を高めるために,"The Fairness Stitch"と呼ばれる新しい手法を提案する。 我々はCelebAとUTKFaceの2つのよく知られたデータセットを総合的に評価する。 フェアネスとパフォーマンスのバランスの取れたトレードオフを達成する上で, 顕著な改善がみられた。
  論文  参考訳（メタデータ） (2023-11-06T21:14:37Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。