論文の概要: A Masked Autoencoder Approach to Unsupervised Steel Surface Defect Recognition

• arxiv url: http://arxiv.org/abs/2607.13178v1
• Date: Tue, 14 Jul 2026 18:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.564602
• Title: A Masked Autoencoder Approach to Unsupervised Steel Surface Defect Recognition
• Title（参考訳）: マスク付きオートエンコーダによる非監督鋼表面欠陥認識
• Abstract要約: トランスフォーマーをベースとしたMasked Autoencoderを用いて,非教師なしグループ化のための鋼表面欠陥の表現を学習する。 デコーダは構造的類似点0.92、平均2乗誤差0.47に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated visual inspection of steel surface defects is a recurring quality control task in which labeled defect data is scarce and costly to obtain, while unlabeled surface images are abundant, which motivates self supervised methods that learn useful representations without class labels. A Transformer based Masked Autoencoder is used here to learn representations of steel surface defects for unsupervised grouping. During pretraining, 75% of the input image patches are randomly masked, and a lightweight decoder reconstructs the masked regions from the visible 25%. The encoder is trained jointly with an auxiliary defect localization objective, used only as a training signal and not evaluated as a detector. The decoder reaches a structural similarity score of 0.92 and a mean squared error of 0.47. Features from the pretrained encoder are then clustered using UMAP for dimensionality reduction and Agglomerative clustering, reaching a Hungarian matched accuracy of 91.3% against the six known defect categories.
• Abstract（参考訳）: 鋼表面欠陥の自動検査は、ラベル付き欠陥データが乏しく、コストがかかる繰り返し品質管理タスクであり、ラベル付き表面画像は豊富であり、クラスラベルなしで有用な表現を学習する自己監督的手法を動機付けている。 トランスフォーマーをベースとしたMasked Autoencoderを用いて,非教師なしグループ化のための鋼表面欠陥の表現を学習する。 事前トレーニング中、入力された画像パッチの75%がランダムにマスクされ、軽量デコーダが可視25%からマスクされた領域を再構築する。 エンコーダは補助欠陥局所化目標と共同で訓練され、訓練信号としてのみ使用され、検出器として評価されない。 デコーダは構造的類似点0.92、平均2乗誤差0.47に達する。 事前訓練されたエンコーダの特徴は、次元減少と集約的クラスタリングのためにUMAPを使用してクラスタ化され、既知の6つの欠陥カテゴリに対して、ハンガリーのマッチング精度91.3%に達する。

関連論文リスト

• An End-to-End Automated Pipeline for Controllable Crack Data Synthesis [16.848359184857912]
  視覚に基づくき裂検査は、信頼性がトレーニングデータの量、多様性、ラベルの品質に依存するセグメンテーションネットワークに依存する。 本稿では,手動のアノテーションを使わずにラベル付きひび割れデータを生成し,これらのデータとそれに基づいて訓練された検出器の信頼性を評価する。
  論文  参考訳（メタデータ） (2026-09-11T04:40:01Z)
• Addressing Data Scarcity in 3D Trauma Detection through Self-Supervised and Semi-Supervised Learning with Vertex Relative Position Encoding [3.9641557356685166]
  本稿では,3次元医用画像解析のための自己教師付き事前訓練と半教師付き検出を組み合わせたラベル効率のアプローチを提案する。 我々はパッチベースのMasked Image Modeling (MIM)を用いて、1,206個のCTボリュームで3D U-Netエンコーダを事前トレーニングし、堅牢な解剖学的表現を学習する。 検出のために、2000のラベル付きボリュームと一貫性の規則化による半教師付き学習は、56.57%の検証mAP@0.50と45.30%のテストmAP@0.50と、144のラベル付きトレーニングサンプルしか持たない。 分類では、2,244個のラベル付きサンプルに拡張すると、7つの損傷に対して94.07%のテスト精度が得られる
  論文  参考訳（メタデータ） (2026-03-12T23:17:17Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• In-Situ Melt Pool Characterization via Thermal Imaging for Defect Detection in Directed Energy Deposition Using Vision Transformers [10.078323907266144]
  ポーシティや亀裂などの内部欠陥は、機械的特性や全体的な性能を損なう可能性がある。 本研究は,DEDプリント部品の欠陥検出と品質管理の改善を目的として,ポロシティに関連するプールのその場監視とキャラクタリゼーションに焦点を当てた。
  論文  参考訳（メタデータ） (2024-11-18T20:03:49Z)
• Camouflage is all you need: Evaluating and Enhancing Language Model Robustness Against Camouflage Adversarial Attacks [53.87300498478744]
  自然言語処理(NLP)における敵攻撃の意義 本研究は、脆弱性評価とレジリエンス向上という2つの異なる段階において、この課題を体系的に探求する。 結果として、パフォーマンスとロバスト性の間のトレードオフが示唆され、いくつかのモデルは、ロバスト性を確保しながら、同様のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2024-02-15T10:58:22Z)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• Cut and Learn for Unsupervised Object Detection and Instance Segmentation [65.43627672225624]
  Cut-and-LeaRn(CutLER)は、教師なしオブジェクトの検出とセグメンテーションモデルをトレーニングするためのシンプルなアプローチである。 CutLERはゼロショット非監視検出器であり、11のベンチマークでAP50を2.7倍以上改善している。
  論文  参考訳（メタデータ） (2023-01-26T18:57:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Semi-supervised Anomaly Detection using AutoEncoders [0.0]
  異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。 本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。 このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
  論文  参考訳（メタデータ） (2020-01-06T23:06:28Z)

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。