論文の概要: Joint-Embedding Predictive Architecture for Solar PV Panel Fault Classification

• arxiv url: http://arxiv.org/abs/2607.09205v1
• Date: Fri, 10 Jul 2026 08:50:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.813209
• Title: Joint-Embedding Predictive Architecture for Solar PV Panel Fault Classification
• Title（参考訳）: ソーラーPVパネル故障分類のための結合埋め込み予測アーキテクチャ
• Abstract要約: JEFFNetはJEPA-pretrained Vision TransformerとEfficientNetV2-Sの畳み込み機能を組み合わせたマルチブランチアーキテクチャである。 その結果、JEFFNetはF1スコアが9,321ドル、精度が9,4.33ドル、F1スコアが97.53ドル、2クラスが9,6.41ドルに達した。
• 参考スコア（独自算出の注目度）: 4.3735782364211735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of solar photovoltaic (PV) systems has increased the need for reliable and scalable fault classification, as manual inspection is impractical at scale. Thermal infrared (IR) imaging provides a non-contact solution for identifying PV faults; however, accurate classification remains challenging due to class imbalance, limited texture information, and subtle thermal differences. In this work, we investigate the applicability of Joint-Embedding Predictive Architecture (JEPA) for thermal IR PV fault classification across various scenarios and propose JEFFNet (JEPA-EFFicientNet), a multibranch architecture that combines JEPA-based self-supervised representation learning with EfficientNetV2-S-based supervised convolutional feature extraction. JEFFNet fuses semantic representations from a JEPA-pretrained Vision Transformer with convolutional features from EfficientNetV2-S, enabling complementary feature learning. JEFFNet is evaluated on two public thermal IR datasets, PVF-10 and InfraredSolarModules (ISM), for both multiclass and derived binary (healthy/faulty) classification. On PVF-10, JEFFNet achieves an F1-score of $93.21$ and an accuracy of $94.33$ in the 10-class task, and an F1-score of $97.53$ and an accuracy of $96.41$ in the derived 2-class task. On ISM, JEFFNet achieves an F1-score of $72.60$ and an accuracy of $83.88$ in the 12-class task, and an F1-score of $94.69$ and an accuracy of $94.78$ in the derived 2-class task. JEFFNet also uses only 108.6M parameters versus 205.91M for GEPFNet, a 47.2\% reduction. These results demonstrate that combining self-supervised semantic and supervised convolutional features provides an effective, parameter-efficient solution for thermal IR PV fault classification. The source code is publicly available at https://github.com/Azimi2kht/JEFFNet
• Abstract（参考訳）: 太陽光発電(PV)システムの急速な拡張により、手動検査が大規模に実施できないため、信頼性が高くスケーラブルな断層分類の必要性が高まっている。 熱赤外画像(IR)はPV断層を特定するための非接触解を提供するが、クラス不均衡、限られたテクスチャ情報、微妙な温度差のために正確な分類は難しい。 本研究では,JEPAに基づく自己教師型表現学習と効率的なNetV2-Sに基づく教師型畳み込み特徴抽出を組み合わせたマルチブランチアーキテクチャであるJEFFNet(JEPA-EFFicientNet)を提案する。 JEFFNetはJEPAで事前訓練されたVision Transformerのセマンティック表現をEfficientNetV2-Sの畳み込み機能と融合し、補完的な機能学習を可能にする。 JEFFNetは、2つのパブリック熱赤外データセットであるPVF-10とInfraredSolarModules (ISM)で、マルチクラスと派生したバイナリ(ヘルス/フォーティ)の分類で評価されている。 PVF-10では、JEFFNetはF1スコアが93.21ドル、精度が94.33ドル、F1スコアが97.53ドル、2クラスが96.41ドルに達する。 ISMでは、JEFFNetのF1スコアは72.60ドル、精度は13.88ドル、F1スコアは94.69ドル、精度は94.78ドルである。 JEFFNetは108.6Mのパラメータしか使用していないが、GEPFNetの205.91Mは47.2\%の削減である。 これらの結果は,自己教師付きセマンティクスと教師付き畳み込み特徴を組み合わせることで,熱赤外PV故障分類に有効でパラメータ効率の高い解が得られることを示した。 ソースコードはhttps://github.com/Azimi2kht/JEFFNetで公開されている。

関連論文リスト

• P2Fusion: Prompt-based Progressive Infrared-Visible Image Fusion via Dual-Prior Distillation [73.147281449267]
  我々は、赤外線可視画像融合を再構成する事前誘導蒸留に基づくフレームワークであるP2Fusionを提案する。 ハードコードされたペナルティを課す代わりに、画像固有の先例、熱塩分率、空間的品質を学習可能な動的レギュレータに蒸留する。 P2Fusionは5つのベンチマークで20の主要評価指標のうち14で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-08-13T10:09:49Z)
• Attention-Only White-Box Transformer via LeJEPA-Based Self-Supervised Pretraining [6.622672079571481]
  ホワイトボックスネットワークの自己教師型学習に関する既存の研究は、通常、自己教師型学習パラダイムから最適化アルゴリズムを通じてホワイトボックスネットワークの導出を分離する。 本稿では,LJEPAをベースとした自己教師型フレームワークで,タスクの最適埋め込みとして,等方的ガウス分布を仮定する。 本モデルでは,パラメータ数を約31%削減しながら,競合性能を実現する。
  論文  参考訳（メタデータ） (2026-08-04T20:26:12Z)
• HumP-KD: A Hybrid Uncertainty-Aware Multi-Stage Progressive Knowledge Distillation Framework for Efficient Fire Classification [0.0]
  本研究は,効率的な火災分類のためのハイブリッド不確実性を考慮した多段階プログレッシブ知識蒸留フレームワークである textbfHumP-KD を提案する。 提案モデルでは,Swin-Tiny と ViT-Base と Meta-MLP アンサンブルの2つの冷凍変圧器教師の知識を,3つの密に統合されたコンポーネントを通じて軽量な MobileViT-S 学生に抽出する。
  論文  参考訳（メタデータ） (2026-06-12T17:48:27Z)
• Standardized Methods and Recommendations for Green Federated Learning [4.07505182773706]
  フェデレートラーニング(FL)は、プライバシに敏感な分散データに対する協調モデルトレーニングを可能にするが、その環境への影響は研究全体で比較することは困難である。 NVIDIA NVFlare と CodeCarbon を用いた FL CO2e 追跡のための実用的な炭素計数手法を提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:46:36Z)
• LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [53.247652209132376]
  JEPA(Joint-Embedding Predictive Architectures)は、有望な青写真を提供するが、実践的なガイダンスや理論の欠如がアドホックな研究開発につながっている。 我々はJEPAの包括的な理論を示し、それをbf LeJEPAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-11T18:21:55Z)
• UniConvNet: Expanding Effective Receptive Field while Maintaining Asymptotically Gaussian Distribution for ConvNets of Any Scale [6.1062169762251255]
  我々はUniConvNetと呼ばれる任意のスケールのConvNetの普遍モデルを提案する。 ImageNet-1K、COCO 2017、ADE20Kの実験では、UniConvNetは最先端のCNNやViTよりも優れています。 UniConvNet-Tは、$74.2%のImageNet top-1精度で、パラメータは$30M、FLOPは$5.1Gである。
  論文  参考訳（メタデータ） (2025-08-12T15:11:18Z)
• DSORT-MCU: Detecting Small Objects in Real-Time on Microcontroller Units [1.4447019135112429]
  本稿では,YOLOモデルや一般的なFOMOネットワークを含む,軽量でエネルギー効率の高い物体検出ネットワークに対する適応型タイリング手法を提案する。 提案したタイリングにより,大規模検出モデルと比較して精度が損なわれることなく,低消費電力のMCU上で物体検出が可能となる。
  論文  参考訳（メタデータ） (2024-10-22T07:37:47Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
  本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。 降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。 提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
  論文  参考訳（メタデータ） (2022-07-21T12:50:54Z)
• Focal Modulation Networks [105.93086472906765]
  自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる ImageNet-1Kの精度は82.3%、83.9%である。 FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
  論文  参考訳（メタデータ） (2022-03-22T17:54:50Z)
• ASFD: Automatic and Scalable Face Detector [59.31799101216593]
  本稿では,既存の全FAEモジュールをかなりの差で検出し,優れたFAEアーキテクチャであるAutoFAEを探索することを提案する。 特に、当社の強力な ASFD-D6 は WIDER Face テストで AP 96.7/96.2/92.1 よりも優れており、軽量の ASFD-D0 は約3.1 ms で 320 FPS 以上である。
  論文  参考訳（メタデータ） (2022-01-26T07:11:51Z)
• UniFormer: Unifying Convolution and Self-attention for Visual Recognition [69.68907941116127]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、ここ数年で主要なフレームワークである。 コンボリューションと自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々のUniFormerはImageNet-1K分類において86.3トップ1の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-24T04:39:39Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)

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。