論文の概要: Morphology-Aware Sample Assignment: Overcoming IoU Insensitivity for Surface Defect Detection

• arxiv url: http://arxiv.org/abs/2606.13723v1
• Date: Thu, 11 Jun 2026 08:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.523584
• Title: Morphology-Aware Sample Assignment: Overcoming IoU Insensitivity for Surface Defect Detection
• Title（参考訳）: 形態認識型サンプルアサインメント:表面欠陥検出におけるIoU感度の克服
• Authors: Pengfei Liu, Yuhan Guo,
• Abstract要約: 正のサンプル割り当てプロセスを改善するために,形態学的類似度指標のセットを導入する。 補足的マッチングスコアは、これらの多次元類似性の平均ベースのアグリゲーションによって導出される。 YOLOv9フレームワークに基づく実験では、NEUDETとGC10-DETデータセットの両方で一貫したパフォーマンス向上が示されている。
• 参考スコア（独自算出の注目度）: 21.516810772717818
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Intersection-over-Union (IoU), as a pivotal metric for evaluating the spatial alignment between candidate proposals and ground-truth annotations, directly determines the quality of positive sample sets and the training efficacy of visual detection models. Through theoretical modeling and analysis, we uncover a non-sensitive region on the IoU response curve, within which samples yield nearly identical IoU scores despite distinct geometric overlaps. To overcome this limitation, we introduce a set of morphological similarity metrics covering area, shape, and aspect ratio, to refine the positive sample assignment process, thereby ensuring more discriminative and reliable matching. A supplementary matching score is derived via mean-based aggregation of these multidimensional similarities, compensating for the intrinsic limitation of IoU in representing structural correspondence. Theoretically, incorporating morphological similarity reshapes the response distribution of the matching function, yielding both effective directional gradients and polygon-like iso-response contours, which tightly confine high-response regions around each ground-truth instance and substantially enhance the precision of positive sample selection. Experiments based on the YOLOv9 framework demonstrate consistent performance gains on both NEUDET and GC10- DET datasets. Notably, the proposed approach is fully plug-and-play and incurs zero additional inference overhead, thereby ensuring deployment efficiency for industrial visual inspection.
• Abstract（参考訳）: IoU(Intersection-over-Union)は、候補提案と接地真実アノテーションの空間的アライメントを評価するための重要な指標であり、正のサンプルセットの品質と視覚検出モデルのトレーニングの有効性を直接決定する。 理論的モデリングと解析により、IoU応答曲線上の非感度領域を発見し、内部では、異なる幾何重なりにもかかわらず、ほぼ同一のIoUスコアが得られる。 この制限を克服するために, 面積, 形状, アスペクト比を網羅する形態的類似度指標のセットを導入し, 正のサンプル割り当てプロセスを洗練し, より識別的で信頼性の高いマッチングを実現する。 補足的マッチングスコアは、これらの多次元類似性の平均に基づく集計によって導出され、構造的対応を表すIoUの内在的制限を補償する。 理論的には, 形態的類似性の導入は, 整合関数の応答分布を再現し, 有効方向勾配とポリゴン様のアイソ応答輪郭を両立させ, それぞれの接地・接地周辺で高応答領域を密集させ, 正の試料選択の精度を著しく向上させる。 YOLOv9フレームワークに基づく実験では、NEUDETとGC10-DETデータセットの両方で一貫したパフォーマンス向上が示されている。 特に,提案手法は完全プラグアンドプレイであり,追加の推論オーバーヘッドをゼロにし,産業用視覚検査の展開効率を確保できる。

関連論文リスト

• EIVE: End-to-End Instance-Specific Visual Explanations for Detection Transformers [7.91708974258006]
  EIVE(End-to-end Instance-specific Visual Explanation framework)を提案する。 EIVEは、検出トランスフォーマー(DETR)のようなモデルの前方通過に従って、インスタンスレベルのサリエンシマップを直接生成する。 MS 2017の実験では、ExDarkとCityscapesは、EIVEが高品質のインスタンスレベルの唾液マップを生成することを示した。
  論文  参考訳（メタデータ） (2026-06-01T02:56:31Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
  本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。 この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。 さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-19T04:12:14Z)
• Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations [1.371691382573869]
  フィールド再構成タスクにおけるスコアベース拡散モデルの開発と拡張を行う。 本研究では,観測領域と観測領域の間のトラクタブルマッピングを構築するための条件符号化手法を提案する。 本研究では, モデルが再現可能かどうかを把握し, 融合結果の精度を向上する能力を示す。
  論文  参考訳（メタデータ） (2024-08-30T19:46:23Z)
• Likelihood-Aware Semantic Alignment for Full-Spectrum Out-of-Distribution Detection [24.145060992747077]
  画像とテキストの対応を意味的に高次領域に促進する「Likelihood-Aware Semantic Alignment (LSA)フレームワーク」を提案する。 2つのF-OODベンチマークで15.26%$と18.88%$の差で既存の手法を上回り、提案したLSAの優れたOOD検出性能を実証した。
  論文  参考訳（メタデータ） (2023-12-04T08:53:59Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Hard Negative Sampling via Regularized Optimal Transport for Contrastive Representation Learning [13.474603286270836]
  本研究では、教師なしコントラスト表現学習のためのハードネガティブサンプリング分布の設計問題について検討する。 本稿では,最大(Worst-case)一般化されたコントラスト学習損失を最小限に抑える表現を求める新しいmin-maxフレームワークの提案と解析を行う。
  論文  参考訳（メタデータ） (2021-11-04T21:25:24Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。