論文の概要: Hybrid Deep Learning for Traceability and Classification of Industrial Slate Tiles

• arxiv url: http://arxiv.org/abs/2607.04811v1
• Date: Mon, 06 Jul 2026 08:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.089844
• Title: Hybrid Deep Learning for Traceability and Classification of Industrial Slate Tiles
• Title（参考訳）: トレーサビリティのためのハイブリッド深層学習と工業用スレートタイルの分類
• Abstract要約: 画像マッチングと分類を1つのフレームワークで組み合わせた,軽量でハイブリッドなディープラーニングアプローチを提案する。 このシステムはXFeatをベースとした機能マッチングブランチとMobileNetV3ベースの分類ブランチを統合している。 分類において、両方のバックボーンの機能は共有され、融合され、標準のMobileNetV3モデルよりも10.9%精度が向上した。
• 参考スコア（独自算出の注目度）: 1.142136183501672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying deep learning to instance-aware reidentification of slate tiles and extraction site classification can improve production efficiency and quality control in the slate tile industry. These tasks are particularly important for handling natural materials where visual variability can make manual inspection costly and error-prone. We present a lightweight, hybrid deep learning approach that combines image matching and classification within a single framework. The system integrates a feature-matching branch based on XFeat with a MobileNetV3- based classification branch. The XFeat branch, combined with a LightGlue matching head, improves instance matching performance by +15.4% AUC. For classification, features from both backbones are shared and fused, resulting in a +10.9% accuracy improvement over a standard MobileNetV3 model. Our approach is evaluated on a newly created industrial dataset consisting of 2,610 slate tile images from six extraction sites. The results demonstrate the effectiveness of the proposed approach for object re-identification and classification in an industrial setting.
• Abstract（参考訳）: 深層学習をスレートタイルの再同定や抽出サイト分類に応用することで、スレートタイル産業における生産効率と品質管理を向上させることができる。 これらのタスクは、視覚的変動が手動検査のコストを高くし、エラーを起こしやすい自然素材を扱うために特に重要である。 画像マッチングと分類を1つのフレームワークで組み合わせた,軽量でハイブリッドなディープラーニングアプローチを提案する。 このシステムはXFeatをベースとした機能マッチングブランチとMobileNetV3ベースの分類ブランチを統合している。 XFeatブランチはLightGlueマッチングヘッドと組み合わせて、インスタンスマッチング性能を+15.4%改善する。 分類において、両方のバックボーンの機能は共有され、融合され、標準のMobileNetV3モデルよりも10.9%精度が向上した。 本手法は,6つの抽出部位から得られた2,610個のスレートタイル画像からなる工業用データセットを用いて評価した。 本研究は, 産業環境における対象再同定と分類のための提案手法の有効性を実証するものである。

関連論文リスト

• Visual Information Extraction from Documents via Classification-Guided Large Vision-Language Models [7.176656402971074]
  最小限の監督で高精度な多型VIEのための分類誘導型大規模視覚言語モデル(LVLM)を提案する。 このフレームワークは、オフィス自動化における複雑なドキュメント理解のための効率的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-07-22T03:27:50Z)
• Towards Accurate and Efficient Waste Image Classification: A Hybrid Deep Learning and Machine Learning Approach [0.05599792629509228]
  本研究は,(1)手作り特徴を用いた機械学習アルゴリズム,(2)ResNet変種やEfficientNetV2Sを含むディープラーニングアーキテクチャ,(3)Support Vector MachineやLogistic Regressionなどの古典的分類器と組み合わせて特徴抽出にディープモデルを利用するハイブリッドアプローチの3つのパラダイムを総合的に比較した。 TrashNet, Garbage Classification, and a refined Household Garbage dataset という3つの公開データセットの実験では、ハイブリッド手法がTrashNetと改良されたハウスセットで最大100%の精度を達成し、ガーベッジ分類で99.87%を達成し、その結果、その状態を超えたことが示されている。
  論文  参考訳（メタデータ） (2025-10-22T08:32:51Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• ELFIS: Expert Learning for Fine-grained Image Recognition Using Subsets [6.632855264705276]
  ファイングラインド・ビジュアル・認識のためのエキスパート・ラーニング・フレームワークであるELFISを提案する。 ニューラルネットワークベースのエキスパートのセットは、メタカテゴリに焦点を当ててトレーニングされ、マルチタスクフレームワークに統合される。 実験では、CNNとトランスフォーマーベースのネットワークを使用して、最大+1.3%の精度でSoTA FGVRベンチマークが改善された。
  論文  参考訳（メタデータ） (2023-03-16T12:45:19Z)
• Learning Customized Visual Models with Retrieval-Augmented Knowledge [104.05456849611895]
  我々は、ターゲットドメイン用にカスタマイズされたビジュアルモデルを構築するための、関連するWeb知識を取得するためのフレームワークであるREACTを提案する。 我々は、Webスケールデータベースから最も関連性の高い画像テキストペアを外部知識として検索し、元の重みをすべて凍結しながら、新しいモジュール化されたブロックをトレーニングするだけで、モデルをカスタマイズすることを提案する。 REACTの有効性は、ゼロ、少数、フルショット設定を含む分類、検索、検出、セグメンテーションタスクに関する広範な実験を通じて実証される。
  論文  参考訳（メタデータ） (2023-01-17T18:59:06Z)
• A Lightweight ReLU-Based Feature Fusion for Aerial Scene Classification [8.954130682534323]
  航空シーン分類問題に対するトランスファーラーニングに基づくモデル構築手法を提案する。 提案手法のコアとなるのはReLU-Based Feature Fusion (RBFF) と呼ばれる層選択戦略であり, 事前学習したCNNに基づく単一対象画像分類モデルから特徴写像を抽出する。 RBFFは、分類器のいくつかのパラメータを除いて、ベースCNNモデルのトレーニングを著しく含まないため、実用的な展開に非常に費用対効果がある。
  論文  参考訳（メタデータ） (2021-06-15T04:43:41Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。