論文の概要: ICME 2026 Grand Challenge on Cross-Scenario Defect Detection and Fine-Grained Severity Grading for High-Precision Manufacturing
- arxiv url: http://arxiv.org/abs/2607.04675v1
- Date: Mon, 06 Jul 2026 05:01:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.044887
- Title: ICME 2026 Grand Challenge on Cross-Scenario Defect Detection and Fine-Grained Severity Grading for High-Precision Manufacturing
- Title（参考訳）: ICME 2026 高精度製造のためのクロスシナリオ欠陥検出と細粒度細粒度グレーディングのグランドチャレンジ
- Abstract要約: 本稿では, 高精度製造のためのクロスセサリオ欠陥検出と細粒度細粒度グレーディングに関する2026年のグランドチャレンジについて述べる。
この課題は、既存の産業欠陥検査システムの2つの重要な制限によって動機付けられている。
7つの欠陥カテゴリにまたがる高分解能顕微鏡画像の大規模産業データセットを構築した。
- 参考スコア（独自算出の注目度）: 109.77055736047767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the IEEE International Conference on Multimedia and Expo (ICME) 2026 Grand Challenge on Cross-Scenario Defect Detection and Fine-Grained Severity Grading for High-Precision Manufacturing. The challenge is motivated by two key limitations of existing industrial defect inspection systems: (1) current deep learning-based methods often suffer significant performance degradation when deployed in unseen production scenarios, and (2) most benchmarks neglect severity-aware assessment, which is critical for risk control and yield optimization. To address these limitations, we design two complementary tracks: Track 1 (Cross-Scenario Defect Detection) targets accurate defect detection, localization, and classification across diverse unseen production environments; Track 2 (Fine-Grained Severity Grading) requires assigning each detected defect an industry-standard severity level, including Acceptable, Marginal NG, NG, and Gross NG. We construct a large-scale industrial dataset of high-resolution microscopic images spanning seven representative defect categories, comprising over 3,800 images with pixel-level instance annotations for Track 1 and over 2,600 images with severity-grade labels for Track 2. The challenge attracted 86 registered participants with 130 submissions; during the final testing phase, 21 teams submitted results and 12 teams provided models with technical reports. The resulting benchmark, together with the diverse and effective solutions contributed by participating teams, sets a new standard for industrial defect analysis research.
- Abstract（参考訳）: 本稿では,ICME(IEEE International Conference on Multimedia and Expo) 2026 Grand Challenge on Cross-Scenario Defect Detection and Fine-Grained Severity Grading for High-Precision Manufacturingについて述べる。
この課題は, 既存の産業欠陥検査システムの2つの重要な限界によって動機付けられている。(1) 現状の深層学習に基づく手法は, 目に見えない生産シナリオに展開した場合, しばしば顕著な性能低下を被る。
これらの制限に対処するために、トラック1(Cross-Scenario Defect Detection)が正確な欠陥検出、ローカライゼーション、分類をターゲットとし、トラック2(Fine-Grained Severity Grading)が各検出された欠陥をアクセプタブル、Marginal NG、NG、Gross NGを含む業界標準の深刻度レベルに割り当てる必要がある。
7つの欠陥カテゴリにまたがる大規模産業用顕微鏡画像データセットを構築し、トラック1の画素レベルのインスタンスアノテーションを持つ3,800枚以上の画像とトラック2の重度グレードラベルを持つ2,600枚以上の画像からなる。
最終テストフェーズでは21チームが成果を提出し、12チームが技術レポートをモデルとして提供した。
その結果得られたベンチマークは、参加チームによる多様で効果的なソリューションとともに、産業欠陥分析研究の新しい標準を設定している。
関連論文リスト
- Data Collection for Training Quality-Control AI in Carpet Manufacturing [0.0]
カーペットウェブをリアルタイムで検査するインラインマシンビジョンシステムの設計を提案する。
本報告では,光場と放牧照明を併用したシンクロナイズドラインスキャンカメラを用いた画像サブシステムについて述べる。
次に、欠陥のない材料で訓練された教師なし異常検出から始まるステージドモデリング戦略を配置する。
論文 参考訳（メタデータ） (2026-05-31T05:25:48Z) - Robust Deepfake Detection, NTIRE 2026 Challenge: Report [90.4435687885396]
本報告では, NTIRE 2026 Robust Deepfake Detection Challengeについて述べる。
トップのソリューションは、このようなオーバーフィットを検出するためにプライベートテストセットで得点されました。
最上位の手法は、一般性と堅牢性を組み合わせるために、大規模な基礎モデル、アンサンブル、劣化訓練に依存している。
論文 参考訳（メタデータ） (2026-04-27T08:19:53Z) - The Fourth Challenge on Image Super-Resolution ($\times$4) at NTIRE 2026: Benchmark Results and Method Overview [202.40386112006652]
NTIRE 2026イメージ超解像(4ドル)チャレンジは、CVPR 2026のNTIRE 2026ワークショップのコンペティションのひとつ。
この課題は、低分解能(LR)入力から高分解能(HR)イメージを2倍のダウンサンプリングで$times$4スケールファクタで再構築することを目的としている。
本報告では、参加チームの課題設計、データセット、評価プロトコル、主な成果、方法について要約する。
論文 参考訳（メタデータ） (2026-04-16T02:41:53Z) - The Second Challenge on Cross-Domain Few-Shot Object Detection at NTIRE 2026: Methods and Results [151.73494736050924]
クロスドメイン小ショットオブジェクト検出(CD-FSOD)は、オブジェクト検出と少数ショット学習アプローチにおいて難しい問題である。
第2回CD-FSODチャレンジを開催し、未確認対象領域における物体の検出の進捗を体系的に評価し、促進した。
本報告では,NTIRE 2026 CD-FSOD Challengeの概要を述べるとともに,提案したアプローチの概要と最終結果の分析を行った。
論文 参考訳（メタデータ） (2026-04-13T19:38:49Z) - Real-IAD Variety: Pushing Industrial Anomaly Detection Dataset to a Modern Era [110.83702639978469]
Real-IAD Varietyは、160の異なる対象カテゴリにわたる198,960の高解像度画像からなる、最大かつ最も多様なIADベンチマークである。
その多様性は、28の産業、24の素材タイプ、22のカラーバリエーションを包括的にカバーすることで保証されている。
この重要な分野のイノベーションを促進するために、Real-IAD Varietyが公開される。
論文 参考訳（メタデータ） (2025-11-01T12:58:02Z) - Automated Defect Detection for Mass-Produced Electronic Components Based on YOLO Object Detection Models [0.0]
本稿では,業界で広く利用されているデュアルインラインパッケージ(DIP)の自動欠陥検出システムを提案する。
ConSinGANで提案されたYOLOv7は、95.50%の精度で他のYOLOバージョンよりも優れ、285msの検出時間は閾値に基づくアプローチよりもはるかに優れている。
論文 参考訳（メタデータ） (2025-10-02T11:33:16Z) - Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with Rich Semantics [27.03052142039447]
Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。
4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。
また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
論文 参考訳（メタデータ） (2023-10-26T11:23:24Z) - NTIRE 2022 Challenge on High Dynamic Range Imaging: Methods and Results [173.32437855731752]
この課題はCVPR 2022と共同でNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一環として行われた。
この課題は、複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
論文 参考訳（メタデータ） (2022-05-25T10:20:06Z) - Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples
Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。
本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。
UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
論文 参考訳（メタデータ） (2020-07-18T14:15:42Z)
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。