論文の概要: Enhanced Seam Segmentation for Automated Welding Robot in Construction Through Transfer Learning: Addressing Limitations of Bilateral Segmentation Network
- arxiv url: http://arxiv.org/abs/2607.06150v1
- Date: Tue, 07 Jul 2026 11:24:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.500983
- Title: Enhanced Seam Segmentation for Automated Welding Robot in Construction Through Transfer Learning: Addressing Limitations of Bilateral Segmentation Network
- Title（参考訳）: トランスファーラーニングによる自動溶接ロボットのシームセグメンテーションの強化:バイラテラルセグメンテーションネットワークの限界に対応する
- Authors: Keonvin Park, Yong Ann Voeurn, Hyeokjun Kweon, Doyun Lee,
- Abstract要約: 本研究では,ビセネットV2のバックボーンを伝達学習とハイブリッドクロスエントロピー-ロヴシュ損失により強化するリフレクションローバストシームセグメンテーションフレームワークを提案する。
実験の結果, 提案法は81.76%のジョイントIoUと90.73%のmIoUを実現し, OHEMベースラインを+22.36ポイント上回るジョイントIoUを改良した。
- 参考スコア（独自算出の注目度）: 9.519647470165689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable seam segmentation is essential for autonomous robotic welding in construction, where harsh illumination, specular reflections, and thin weld geometries often degrade segmentation performance. This study proposes a reflection-robust seam segmentation framework that enhances a BiSeNetV2 backbone through transfer learning and a hybrid Cross-Entropy--Lovász loss. Rather than increasing architectural complexity, the proposed framework improves reflection robustness through learning-stability-oriented optimization. Experimental results show that the proposed method achieves 81.76\% Joint IoU and 90.73\% mIoU, improving Joint IoU by +22.36 percentage points over the OHEM-based baseline while maintaining identical FLOPs, parameter count, and inference speed. The proposed approach also recovers 96.33\% of severe zero-IoU failure cases under reflective conditions. Comparative experiments across BiSeNetV2, DeepLabV3+, UNet, and SegFormer further demonstrate that the proposed optimization strategy is particularly effective for lightweight real-time segmentation architectures. Qualitative analyses additionally show improved seam continuity and reflection robustness in challenging welding environments. These findings suggest that the proposed framework provides a practical and lightweight perception solution for robotic welding applications involving reflective metallic surfaces.
- Abstract（参考訳）: 信頼性の高いシームセグメンテーションは、厳密な照明、反射、薄い溶接されたジオメトリーがしばしばセグメンテーション性能を低下させる、建設中の自律的なロボット溶接に不可欠である。
本研究では,ビセネットV2のバックボーンを伝達学習とハイブリッドクロスエントロピー-ロヴァース損失により強化するリフレクションローバストシームセグメンテーションフレームワークを提案する。
アーキテクチャの複雑さを増大させる代わりに、提案するフレームワークは、学習-安定性指向の最適化を通じてリフレクションロバスト性を改善する。
実験結果から,提案手法は結合IoU 81.76\% mIoU と 90.73\% mIoU を実現し,同一のFLOP,パラメータ数,推論速度を維持しつつ,OHEM ベースライン上の結合IoU を+22.36 ポイント向上することがわかった。
提案手法は、反射条件下での重篤なゼロIoU故障例の96.33\%を回復する。
BiSeNetV2、DeepLabV3+、UNet、SegFormer間の比較実験では、提案された最適化戦略が特に軽量なリアルタイムセグメンテーションアーキテクチャに有効であることを実証している。
さらに定性的解析により, 難溶接環境におけるシーム連続性および反射堅牢性の改善が示された。
これらの結果から, 本フレームワークは, 反射金属表面を含むロボット溶接への応用に対して, 実用的で軽量な認識ソリューションを提供することが示唆された。
関連論文リスト
- REFLECTOR: Internalizing Step-wise Reflection against Indirect Jailbreak [17.68660005545745]
大規模言語モデル(LLM)は、洗練されたマルチステップのジェイルブレイク攻撃の影響を受けやすい。
生成軌道内で自己回帰を内部化する2段階の原理的枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-20T03:16:15Z) - PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。
本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
論文 参考訳（メタデータ） (2026-03-11T14:11:42Z) - TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。
どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。
32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
論文 参考訳（メタデータ） (2025-10-22T07:59:38Z) - Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios [4.735413508037063]
本稿では,視覚障害者の補助ナビゲーションに適した運動量制約付きハイブリッド軌道最適化フレームワーク(MHHTOF)を提案する。
残留深部強化学習(DRL)による軌道サンプリング生成、最適化、評価の統合
実験の結果,提案したLSTM-BResPPOは,PPOが要求する約半数のトレーニングにおいて,安定な政策性能を実現することができることがわかった。
論文 参考訳（メタデータ） (2025-09-19T04:33:39Z) - A Real-time Concrete Crack Detection and Segmentation Model Based on YOLOv11 [15.031712782615797]
本稿では, YOLOv11nアーキテクチャに基づくマルチタスクコンクリートのひび割れ検出とセグメンテーションモデルであるYOLOv11-KW-TA-FPを提案する。
実験による検証では、拡張されたモデルがベースライン上での大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-15T14:57:00Z) - FORTRESS: Function-composition Optimized Real-Time Resilient Structural Segmentation via Kolmogorov-Arnold Enhanced Spatial Attention Networks [1.663204995903499]
FORTRESS (Function-composition Optimized Real-Time Resilient Structure) は、特別な手法を用いて精度と速度のバランスをとる新しいアーキテクチャである。
Fortressには,系統的に分離可能な畳み込みフレームワーク,適応型TiKAN統合,マルチスケールアテンション融合という,3つの重要なイノベーションが含まれている。
このアーキテクチャは 91% のパラメータ還元 (31M から 2.9M) 、91% の計算複雑性低減 (13.7 から 1.17 GFLOPs) 、および 3倍の推論速度向上によって、顕著な効率向上を実現している。
論文 参考訳（メタデータ） (2025-07-16T23:17:58Z) - Is Architectural Complexity Overrated? Competitive and Interpretable Knowledge Graph Completion with RelatE [6.959701672059059]
RelatEは、エンティティとリレーションの二重表現を効率的に統合する、解釈可能でモジュラーな方法である。
標準ベンチマークにおいて、競争力や優れたパフォーマンスを達成する。
摂動実験では、MRRはTransEと比較して最大61%、RotatEと比較して最大19%減少し、ロバスト性が改善された。
論文 参考訳（メタデータ） (2025-05-25T04:36:52Z) - InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。
新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。
FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文 参考訳（メタデータ） (2025-04-02T12:40:57Z) - Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。
RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
論文 参考訳（メタデータ） (2024-07-18T10:26:53Z)
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。