論文の概要: NL-MambaXCT: Self-Supervised Nested-Learning Mamba for Nomex Honeycomb X-ray CT Defect Classification

• arxiv url: http://arxiv.org/abs/2605.27454v2
• Date: Tue, 02 Jun 2026 13:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 18:57:50.078825
• Title: NL-MambaXCT: Self-Supervised Nested-Learning Mamba for Nomex Honeycomb X-ray CT Defect Classification
• Title（参考訳）: NL-MambaXCT : Nomex Honeycomb X線CT異常分類のための自己監督型Nested-Learning Mamba
• Authors: Ghaleb Aldoboni, Lobna Nassar, Fakhri Karray, Reem Alshamsi,
• Abstract要約: NL-MambaXCTは,自己教師型マスク画像モデリングとNested Learning (NL) の定式化を組み合わせて,自動かつラベル効率のよい欠陥分類を行う,マンバベースのフレームワークである。 19,961個の工業用XCTスライスをマスク画像モデルで事前訓練し、2000個のレバー付きNomex XCTスライスを製造順に微調整する。 MIM-pretrained NL-MambaXCT Modelは96.91%の精度と96.8%のマクロF1を達成し、CNN、アテンション、シングルタイムスケールのMambaベースラインの精度は3.11～10.31ポイント向上した。
• 参考スコア（独自算出の注目度）: 4.85305127684971
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: X-ray computed tomography (XCT) is widely used for non-destructive testing of Nomex honeycomb structures in aerospace manufacturing, but industrial inspection still relies heavily on manual interpretation and supervised models trained on limited labeled data. This work introduces NL-MambaXCT, a Mamba-based framework that combines self-supervised masked image modelling with a Nested Learning (NL) formulation for automated, label-efficient defect classification from production XCT slices. The backbone is a four-stage 2D encoder with RegNet convolutional blocks in the early stages and Mamba-based sequence mixing with attention in the deeper stages. It is pretrained by masked image modelling on 19,961 unlabeled industrial XCT slices and fine-tuned on 2,000 relabeled Nomex XCT slices split by production order. NL is instantiated through two-timescale parameter dynamics: selected projections maintain slow exponential-moving-average traces alongside fast weights, while a deep-momentum optimizer introduces an additional slow parameter-update trajectory. On the held-out test set, the MIM-pretrained NL-MambaXCT model achieves 96.91% accuracy and 96.8% macro F1, outperforming CNN, attention, and single-timescale Mamba baselines by 3.11--10.31 percentage points in accuracy. The results suggest that combining masked self-supervision with NL-style fast/ slow learning dynamics is a promising strategy for robust defect classification in Nomex honeycomb XCT inspection.
• Abstract（参考訳）: X線CT(X-ray Computed Tomography)は、航空宇宙製造におけるノメックスハニカム構造の非破壊検査に広く用いられているが、産業検査は依然として手動による解釈と限られたラベル付きデータに基づいて訓練された教師付きモデルに大きく依存している。 本研究は,NL-MambaXCTという,自己教師型マスク画像モデリングとNested Learning(NL)の定式化を組み合わせて,生産用XCTスライスからラベル効率のよい欠陥分類を行うフレームワークを紹介する。 バックボーンは4段階の2Dエンコーダで、初期はRegNetの畳み込みブロック、より深い段階ではMambaベースのシーケンスが注目される。 19,961個の工業用XCTスライスをマスク画像モデルで事前訓練し、2000個のレバー付きNomex XCTスライスを製造順に微調整する。 NLは2時間スケールのパラメータダイナミクスによってインスタンス化される: 選択されたプロジェクションは、高速ウェイトとともに遅い指数移動平均トレースを保ち、深いモーメントのオプティマイザは、さらに遅いパラメータ更新軌道を導入する。 MIM-pretrained NL-MambaXCTモデルは96.91%の精度と96.8%のマクロF1を達成し、CNN、アテンション、シングルタイムスケールのMambaベースラインの精度は3.11～10.31ポイント向上した。 以上の結果から,マスク型自己監督とNL型高速・低速学習のダイナミクスを組み合わせることは,Nomex honeycomb XCT検査における堅牢な欠陥分類に有望な戦略であることが示唆された。

関連論文リスト

• MambaMIL+: Modeling Long-Term Contextual Patterns for Gigapixel Whole Slide Image [24.093388981091717]
  多重インスタンス学習(MIL)は、各WSIをパッチレベルのインスタンスの袋として扱うことでソリューションを提供する。 Mambaは長いシーケンス学習のための有望な代替手段として登場し、数千のトークンに線形にスケーリングしている。 長距離依存性モデリングを維持しながら空間コンテキストを明示的に統合する新しいMILフレームワークであるMambaMIL+を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:01:14Z)
• MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation [0.9342663938194833]
  MambaX-Netは、新しい半教師付きデュアルスキャン3Dセグメンテーションアーキテクチャである。 前の時点からMRIと対応するセグメンテーションマスクを利用して、時間点tのセグメンテーションを算出する。 MambaX-Netは縦方向のASデータセットで評価され、その結果、最先端のU-NetやTransformerベースのモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-20T13:32:42Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• A Comprehensive Analysis on Machine Learning based Methods for Lung Cancer Level Classification [0.0]
  肺がんは世界中の公衆衛生において大きな問題であり、安定した技術を用いた早期診断が必要である。 この研究は、肺癌のステージを正確に分類するための機械学習(ML)手法の徹底的な研究を開始する。 XGBoost(XGB)、LGBM、Adaboost、Logistic Regression(LR)、Decision Tree(DT)、Random Forest(RF)、CatBoost、k-Nearest Neighbor(k-NN)などの機械学習(ML)モデルは、方法論的に実行され、対比される。
  論文  参考訳（メタデータ） (2025-01-30T12:09:54Z)
• The Mamba in the Llama: Distilling and Accelerating Hybrid Models [76.64055251296548]
  注目層からの線形射影重みを学術的なGPU資源で再利用することにより,大規模な変換器を線形RNNに蒸留する方法を示す。 結果として得られたハイブリッドモデルは、チャットベンチマークのオリジナルのTransformerに匹敵するパフォーマンスを達成する。 また,Mambaとハイブリッドモデルの推論速度を高速化するハードウェア対応投機的復号アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-08-27T17:56:11Z)
• Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
  本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:58:11Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。