論文の概要: A Generative Approach for Improving Multi-Label Defect Classification in Photovoltaic Modules

• arxiv url: http://arxiv.org/abs/2608.12725v1
• Date: Thu, 13 Aug 2026 02:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.367698
• Title: A Generative Approach for Improving Multi-Label Defect Classification in Photovoltaic Modules
• Title（参考訳）: 太陽電池モジュールにおけるマルチラベル欠陥分類の改善のための生成的アプローチ
• Abstract要約: 特定の欠陥に対して視覚的特徴を乱すために生成的欠陥分離(GDI)を導入する。 The Experiments on Vision Transformer (ViT-S) and EfficientNetV2-L architectures showed that GDI significantlyforms baselines。 GDIは、共起欠陥からの学習のあいまいさを効果的に解決し、そのような共起分類エラーを26%削減する。
• 参考スコア（独自算出の注目度）: 24.555237080546885
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper addresses the challenge of multi-label defect classification in electroluminescence (EL) images of photovoltaic (PV) cells. Training models on images where multiple defects co-occur creates learning ambiguity, making it difficult to disentangle visual features for specific defect types, a problem compounded by the scarcity of examples for individual classes. To tackle this, we introduce Generative Defect Isolation (GDI), utilizing the LaMa inpainting model with Fast Fourier Convolutions to remove selected defects and generate realistic, single-defect training samples. Extensive experiments on Vision Transformer (ViT-S, ViT-L) and EfficientNetV2-L architectures demonstrate that GDI significantly outperforms baselines. The performance gains are most pronounced in low-data scenarios; class-wise analysis shows substantial improvements, boosting the F1-Score for rare defect classes by up to 63.6%. Furthermore, GDI effectively resolves learning ambiguity from co-occurring defects, yielding a 26% reduction in such co-occurring classification errors. Our work establishes GDI as an effective method for maximizing the value of existing segmentation datasets and sets a new performance benchmark for multi-label classification in this domain.
• Abstract（参考訳）: 本稿では, 太陽電池セルのEL画像におけるマルチラベル欠陥分類の課題について述べる。 複数の欠陥が共起する画像上のトレーニングモデルは、学習のあいまいさを生じさせ、特定の欠陥タイプの視覚的特徴をアンタングルすることは困難である。 これを解決するために,生成欠陥分離(GDI)を導入し,LaMa塗装モデルとFast Fourier Convolutionsを用いて,選択した欠陥を除去し,現実的な単一欠陥トレーニングサンプルを生成する。 Vision Transformer(ViT-S, ViT-L)とEfficientNetV2-Lアーキテクチャの大規模な実験により、GDIがベースラインを大幅に上回ることを示した。 低データのシナリオではパフォーマンス向上が最も顕著であり、クラスワイド分析では大幅な改善が見られ、まれな欠陥クラスではF1スコアが63.6%向上した。 さらに、GDIは、共起欠陥からの学習のあいまいさを効果的に解決し、そのような共起分類誤差を26%削減する。 本研究は,既存のセグメンテーションデータセットの価値を最大化するための有効な手法としてGDIを確立し,この領域におけるマルチラベル分類のための新しいパフォーマンスベンチマークを設定する。

関連論文リスト

• Large-Scale Universal Defect Generation: Foundation Models and Datasets [51.150071370083026]
  様々な領域にまたがる300Kの正規マスクカプセルの大規模データセットUDGを紹介する。 我々は,参照ベース欠陥生成とテキスト命令ベース欠陥編集の両方をサポートするユニバーサル欠陥生成基盤モデルUniDGを提案する。 MVTec-AD と VisA の実験では、UniDG は合成品質および下流の単クラスおよび複数クラスの異常検出/局所化において、前回の少数ショット異常発生および画像挿入/編集ベースラインより優れていた。
  論文  参考訳（メタデータ） (2026-04-10T03:21:17Z)
• Synthetic Defect Image Generation for Power Line Insulator Inspection Using Multimodal Large Language Models [3.72557681438567]
  ドローンの画像を定期的な検査に頼っている企業が増えているが、正確な欠陥型分類器の訓練は依然として難しい。 トレーニング不要な画像生成装置として,既製のマルチモーダル大言語モデル(MLLM)を用いて,このデータスカシティ設定に対処する。 現実的な低トレーニングデータ構造を持つ公開データセットを用いたセラミック絶縁体欠陥型分類の評価を行った。
  論文  参考訳（メタデータ） (2026-03-09T08:06:27Z)
• Photovoltaic Defect Image Generator with Boundary Alignment Smoothing Constraint for Domain Shift Mitigation [7.166413857036151]
  安定拡散(SD)に基づく太陽光発電用欠陥画像生成装置PDIGを提案する。 PDIGは、大規模データセットから学んだ強力な事前情報を活用して、限られたデータの下で生成品質を向上させる。 本手法はFrechet Inception Distance(FID)を第2のベスト法よりも19.16ポイント向上する。
  論文  参考訳（メタデータ） (2025-05-09T15:16:42Z)
• Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling [61.222803636132554]
  実世界のグラフデータは、従来のモデルでは一般化できない、多様で変化する環境を示すことが多い。 マルチプロトタイプ超球形不変学習(MPHIL)と呼ばれる新しい手法を提案する。 MPHILは最先端のパフォーマンスを実現し、様々なドメインからのグラフデータと異なる分散シフトで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-15T07:40:14Z)
• Change-Aware Siamese Network for Surface Defects Segmentation under Complex Background [0.6407952035735353]
  変更検出フレームワークにおける欠陥セグメント化を解消する変更対応のSiameseネットワークを提案する。 トランスフォーマーベースのエンコーダを導くために,新しいマルチクラスのコントラスト損失を導入した。 距離マップで示される差分は、変更対応デコーダにスキップ接続され、クラス間およびクラス外の両方の欠陥の位置をアシストする。
  論文  参考訳（メタデータ） (2024-09-01T02:48:11Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• DiffiT: Diffusion Vision Transformers for Image Generation [88.08529836125399]
  ViT(Vision Transformer)は、特に認識タスクにおいて、強力なモデリング機能とスケーラビリティを実証している。 拡散型生成学習におけるViTの有効性について検討し、拡散ビジョン変換器(DiffiT)と呼ばれる新しいモデルを提案する。 DiffiTはパラメータ効率が大幅に向上した高忠実度画像を生成するのに驚くほど効果的である。
  論文  参考訳（メタデータ） (2023-12-04T18:57:01Z)
• Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
  特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。 そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-20T16:34:11Z)
• One-Shot Adaptation of GAN in Just One CLIP [51.188396199083336]
  本稿では,CLIP空間を統一した単一ショットGAN適応方式を提案する。 具体的には、CLIP誘導潜在最適化を用いて、ソースジェネレータ内の参照画像検索という2段階のトレーニング戦略を採用する。 対象のテクスチャで多様な出力を生成し,質的かつ定量的にベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T13:03:06Z)
• SIGAN: A Novel Image Generation Method for Solar Cell Defect Segmentation and Augmentation [5.429282997550317]
  本稿では,GAN(Generative Adversarial Network)を欠陥セグメント化に利用する新しいアイデアを提案する。 ganベースの方法は、入力欠陥画像の欠陥領域を除去して欠陥のない画像を得る。 画像生成前後の背景を変化させないように、新しい強いアイデンティティGAN(SIGAN)を提案します。 提案手法は90.34%のFスコアを達成し、太陽電池の欠陥分断結果において多くの最先端手法を上回ります。
  論文  参考訳（メタデータ） (2021-04-11T08:20:28Z)
• Orthogonal Projection Loss [59.61277381836491]
  直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
  論文  参考訳（メタデータ） (2021-03-25T17:58:00Z)
• Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
  きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。 最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。 本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:27:30Z)

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。