論文の概要: A Qualitative Review of GenAI-Based Methods for Data Generation and Augmentation in Industrial Computer Vision Applications

• arxiv url: http://arxiv.org/abs/2606.14578v1
• Date: Fri, 12 Jun 2026 15:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.970116
• Title: A Qualitative Review of GenAI-Based Methods for Data Generation and Augmentation in Industrial Computer Vision Applications
• Title（参考訳）: 産業用コンピュータビジョンアプリケーションにおけるデータ生成と拡張のためのGenAIに基づく手法の質的レビュー
• Authors: Paul Koch, Paul Hofmann, Ferdinand Waßelewsky, Adem Karakurt, Andre Sérs, Jörg Krüger,
• Abstract要約: AI駆動のコンピュータビジョンアプリケーションは、予測可能な振る舞いとパフォーマンスを保証するために、深いデータベースを必要とする。 アクティブな学習方法を適用することで、プロジェクトのデプロイメント内でデータを増強し、データベースを反復的に増加させることができる。 この研究は、GenAIベースのデータ生成および拡張手法の最近の進歩に焦点を当てている。
• 参考スコア（独自算出の注目度）: 28.70038701788397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-driven computer vision applications require a profound database to ensure predictable behaviors and performance. Such predictable behaviors are especially important for industrial applications in gaining trust from users. However, such a database is not readily available in industrial applications, and its acquisition is not trivial either. Active learning methods can be applied to ramp up data within a project deployment to iteratively increase the database, and thus the application predictability. Unfortunately, we observe that this often leads to a loss of user trust in the application, which is difficult to regain once lost. This leads to a "chicken-and-egg" dilemma in which neither the database nor the application is developed. In this work, we review state-of-the-art methods and approaches to further boost the database the initial active data ramp-up phase. Here, we focus on recent advancements in GenAI-based data generation and augmentation methods and review their adaptability on an industrial computer vision classification use case. Although we observe a potential for automatic data ramp-up, we also see a domain miss match in between the source (training environment) and target (industrial use-case) - regarding context defined in natural language and object characteristics.
• Abstract（参考訳）: AI駆動のコンピュータビジョンアプリケーションは、予測可能な振る舞いとパフォーマンスを保証するために、深いデータベースを必要とする。 このような予測可能な行動は、特に産業アプリケーションにおいてユーザからの信頼を得る上で重要である。 しかし、そのようなデータベースは産業アプリケーションでは簡単には利用できないため、買収も容易ではない。 アクティブな学習方法を適用することで、プロジェクトデプロイメント内のデータを増やし、データベースを反復的に増加させ、アプリケーションの予測可能性を高めることができる。 残念なことに、これがアプリケーションに対するユーザの信頼を失うことが少なく、一度失うと回復することが難しいことがよくあります。 これにより"鶏と卵"のジレンマが発生し、データベースもアプリケーションも開発されない。 本研究は,データベースの初期アクティブ・データ・アップ・フェーズをさらに強化するための最先端の手法とアプローチを概観する。 本稿では,GenAIに基づくデータ生成・拡張手法の最近の進歩に注目し,産業用コンピュータビジョン分類ユースケースにおける適応性について検討する。 自動的なデータアップの可能性を観察する一方で、自然言語で定義されたコンテキストやオブジェクトの特性に関して、ソース(トレーニング環境)とターゲット(工業用ユースケース)のドメインミスマッチも観察する。

関連論文リスト

• What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
  我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。 本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
  論文  参考訳（メタデータ） (2025-11-02T17:09:29Z)
• Beyond Academic Benchmarks: Critical Analysis and Best Practices for Visual Industrial Anomaly Detection [40.174488947319645]
  製造における視覚検査の自動化には,異常検出(AD)が不可欠である。 本稿では,(1)実世界のデータセットの重要性を実証し,実際の生産データを用いたベンチマークを確立すること,(2)実践的応用に有用な指標を用いて,既存のSOTA手法を公平に比較すること,(3)学術と産業のギャップを埋めるための重要な課題と新たな視点を論じることで,この分野の最近の進歩を包括的に分析すること,の3つの主要な貢献を行う。
  論文  参考訳（メタデータ） (2025-03-30T14:11:46Z)
• Deep Learning-Based Out-of-distribution Source Code Data Identification: How Far Have We Gone? [23.962076093344166]
  我々は,OODソースコードデータ識別問題に対処する革新的なディープラーニングベースのアプローチを提案する。 本手法は,革新的なクラスタコントラスト学習を用いて情報理論的な視点から導出する。 提案手法は,FPR,AUROC,AUPRでそれぞれ約15.27%,7.39%,4.93%の成績を示した。
  論文  参考訳（メタデータ） (2024-04-09T02:52:55Z)
• Towards Generalizable Data Protection With Transferable Unlearnable Examples [50.628011208660645]
  本稿では、転送不可能な例を生成することによって、新しい一般化可能なデータ保護手法を提案する。 私たちの知る限りでは、これはデータ分散の観点からデータのプライバシを調べる最初のソリューションです。
  論文  参考訳（メタデータ） (2023-05-18T04:17:01Z)
• Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories [0.0]
  サイバー物理コンバージェンス(サイバー物理コンバージェンス)は、産業界に新たなビジネスチャンスを開こうとしている。 サイバーと物理世界の深い統合の必要性は、新しいシステムとネットワークエンジニアリングのアプローチを統合するための豊富なビジネスアジェンダを確立する。 このデータ豊かでサイバー物理学的でスマートな工場環境から生まれた、最も実りある研究と実践の分野の1つは、データ駆動のプロセス監視分野である。
  論文  参考訳（メタデータ） (2022-12-12T23:45:59Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• A Survey of Machine Unlearning [56.017968863854186]
  最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。 MLモデルは古いデータをよく記憶します。 機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
  論文  参考訳（メタデータ） (2022-09-06T08:51:53Z)
• Toward Fault Detection in Industrial Welding Processes with Deep Learning and Data Augmentation [0.0]
  本稿では,AIツールの産業的実現における課題について述べる。 我々はオブジェクト検出APIからオブジェクト検出アルゴリズムを使用し、転送学習を用いてユースケースに適応する。 画像拡張によるデータセットの適度なスケーリングは、結合(IoU)とリコールの交差点の改善につながる。
  論文  参考訳（メタデータ） (2021-06-18T14:52:49Z)

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。