論文の概要: FDDet: Achieving Data-Efficient Food Defect Detection Under Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2605.24508v1
• Date: Sat, 23 May 2026 10:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.144485
• Title: FDDet: Achieving Data-Efficient Food Defect Detection Under Real-World Scenarios
• Title（参考訳）: FDDet: 実世界のシナリオ下でのデータ効率の良い食品欠陥検出を実現する
• Authors: Ruihao Xu, Yong Liu, Yansong Tang,
• Abstract要約: FDD-48は食品の種類が13種類、欠陥カテゴリーが48種類あり、実際の状況は様々である。 FDDetは,(1)BBoxMixUp,(2)同一カテゴリの欠陥領域を混合して突発的特徴関連を減少させるデータ拡張技術,(2)サンプル内一貫性に基づいて擬似ラベルをフィルタリングするCGPCの2つの主要なコンポーネントを特徴とする半教師付きフレームワークである。 実験の結果、FDDetはFDD-48の主流検出器よりも優れており、データ制限シナリオ下での食品欠陥検出の有効性が示された。
• 参考スコア（独自算出の注目度）: 43.462725812499194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Food defect detection is critical for automated quality control, yet existing studies lack unified benchmarks and suffer from data scarcity. We introduce FDD-48, a comprehensive dataset with fine-grained annotations across 13 food types and 48 defect categories under diverse real-world conditions. To improve detection with limited labeled data, we propose FDDet, a semi-supervised framework featuring two key components: (1) BBoxMixUp, a data augmentation technique that mixes same-category defect regions to reduce spurious feature associations, and (2) CGPC (Consistency-Guided Pseudo-Label Calibration), which filters pseudo-labels based on intra-sample consistency. Experiments show FDDet significantly outperforms mainstream detectors on FDD-48, demonstrating its effectiveness for food defect detection under data-limited scenarios.
• Abstract（参考訳）: 食品の欠陥検出は自動品質管理には不可欠だが、既存の研究ではベンチマークが統一されておらず、データ不足に悩まされている。 FDD-48は食品の種類が13種類、欠陥カテゴリーが48種類あり、実際の状況は様々である。 限定ラベル付きデータによる検出を改善するために,(1)BBoxMixUpと(2)CGPC(Consistency-Guided Pseudo-Label Calibration)の2つの主要なコンポーネントを組み込んだ半教師付きフレームワークFDDetを提案する。 実験の結果、FDDetはFDD-48の主流検出器よりも優れており、データ制限シナリオ下での食品欠陥検出の有効性が示された。

関連論文リスト

• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Confident Learning for Object Detection under Model Constraints [0.05131152350448099]
  エッジデバイス上での農業雑草検出は、モデルキャパシティ、計算リソース、リアルタイム推論レイテンシに厳しい制約が課される。 本稿では,データ品質の欠陥を反復診断し,修正することにより検出性能を向上させるデータ中心型フレームワークであるMDDCを提案する。
  論文  参考訳（メタデータ） (2026-01-14T15:32:08Z)
• Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering [8.132909775584395]
  本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。 条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。 本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-08T01:53:34Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
  SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。 新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
  論文  参考訳（メタデータ） (2022-11-30T23:39:11Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Dynamically Mitigating Data Discrepancy with Balanced Focal Loss for Replay Attack Detection [10.851348154870852]
  我々は、アンチ・スプーフィングにおいては、モデリングプロセスにおいて容易に分類されたサンプルよりも識別不能なサンプルに注意が必要であると論じている。 本研究は, サンプル自体の特性に基づいて, 損失を動的にスケールする訓練目的として, バランスの取れた焦点損失関数を活用することを提案する。 相補的な特徴により、3種類の機能しか持たない融合系は他のシステムよりも22.5%、min-tDCFが7%、EERが7%向上する。
  論文  参考訳（メタデータ） (2020-06-25T17:06:47Z)

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。