論文の概要: Low Cost Two-Stage Fabric Defect Detection at the Edge

• arxiv url: http://arxiv.org/abs/2608.14727v1
• Date: Wed, 12 Aug 2026 19:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.05272
• Title: Low Cost Two-Stage Fabric Defect Detection at the Edge
• Title（参考訳）: エッジにおける低コスト2段ファブリック欠陥検出
• Abstract要約: 衣料品産業におけるファブリック検査は主に手作業で行われており、3.45と商業用ヴィジュアルシステムは、ほとんどの中小製粉所以上の価格で販売されている。 4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、FP16でNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。 データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fabric inspection in the garment industries of low-income economies remains largely manual, and commercial vision systems are priced beyond most small and medium mills. Because defects are sparse under controlled production, a natural response is a cascade: screen every frame with a cheap anomaly detector and invoke a full detector only on suspicious frames. We build such a cascade for four knit-fabric defect classes and deploy it end-to-end on an NVIDIA Jetson Nano with TensorRT FP16. Stage 1 is a compact convolutional autoencoder with decoder attention gates, an edge-weighted reconstruction loss, and feature-level distillation from a frozen YOLOv5n teacher; Stage 2 is YOLOv5n, invoked only on flagged frames. On a 249-image benchmark disjoint from detector training (20 defective, 229 non-defective), Stage 1 at a recall-prioritised threshold flags all 20 defective images (95% CI 0.83-1.00) at a false-positive rate of 49.3% (113/229), reducing false positives by 19.3% relative to a plain autoencoder (p=0.011). The parallel pipeline reaches 13.45 FPS against 9.86 FPS for a sequential YOLO-only loop. Our central finding comes from decomposing that 1.36x: 91% of it is attributable to overlapping JPEG decode with inference rather than to the cascade, which contributes only a 5.1% inference reduction at the measured forwarding rate p = 0.534. We further show that forwarding here is false-positive-limited rather than prevalence-limited - 85% of forwarded frames are false alarms - and quantify the 29-45% inference reduction attainable under tighter calibration. We report this as a caution for cascade speedups measured without controlling the data path, and position the system as AI-assisted triage rather than autonomous acceptance.
• Abstract（参考訳）: 低所得経済の衣料品産業におけるファブリック検査は、主に手作業で行われており、商業用視覚システムは、ほとんどの中小製粉所よりも高価である。 欠陥は制御された生産環境では希少であるため、自然反応はカスケードであり、安価な異常検知器で全てのフレームを遮蔽し、不審なフレームでのみフル検出器を起動する。 我々は、4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、TensorRT FP16を備えたNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。 ステージ1は、デコーダのアテンションゲート、エッジ重み付けされた再構築損失、凍結されたYOLOv5nの教師による特徴レベルの蒸留を備えたコンパクトな畳み込みオートエンコーダであり、ステージ2はYOLOv5nであり、フラグ付きフレーム上でのみ起動される。 検出器トレーニング(20の欠陥、229の非欠陥)から切り離された249イメージのベンチマークでは、ステージ1は20の欠陥画像(95% CI 0.83-1.00)全てを49.3% (113/229)の偽陽性率で表示し、通常のオートエンコーダ(p=0.011)と比較して19.3%の偽陽性を減少させる。 並列パイプラインは13.45 FPSと9.86 FPSに到達し、YOLOのみのループが連続する。 中心的な発見は、1.36x: 91%がカスケードではなく推論でJPEGデコードを重ねることに起因する。 さらに, 前向きフレームの85%が誤報であり, 厳密なキャリブレーション下で達成可能な29-45%の推論低減を定量化する。 データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。

関連論文リスト

• What Input Resolution Is Required for Bird Species Identification, and What Is Its Latency Cost on an Edge Device? A Study of 14 Input Resolutions and Six Architectures with On-Device Measurements [0.060917028769172786]
  風力発電所における鳥害の軽減には、数万ピクセルにしか及ばない遠方の鳥を識別する必要がある。 14側長さのN(16～224),6つのアーキテクチャ,2つのトレーニング・評価体制,30個のランダムシードを用いて検討した。
  論文  参考訳（メタデータ） (2026-09-13T02:52:42Z)
• Conditioning noise is a free regularizer for LoRA fine-tuning: no pathology encoder required for diffusion-based artifact detection in histopathology [1.8864137667201766]
  拡散型アーティファクト検出器は、クリーン組織に微調整されたモデルの下で、再構成誤差によって全スライディングイメージパッチをスコアする。 ランダムなガウス埋め込みにこの微調整を施すことで、クリーン/アーティファクトの分離が一貫して広がることを示す。
  論文  参考訳（メタデータ） (2026-09-11T07:16:38Z)
• Distribution-free false-alarm calibration and chance-corrected spatial evaluation for industrial anomaly detection [2.5273986395975476]
  我々は、分布自由な上限値とペア化された最小交差空間テストを組み合わせる。 我々は,3つのISP-ADモダリティと3つの固定データ分割から120個の点欠陥画像上の3つの検出器を評価する。
  論文  参考訳（メタデータ） (2026-08-15T07:21:05Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• From Fog Chamber to Aircraft Window: Pixel-Registered Imaging and Synthetic Fine-Tuning Enable Cross-Domain Defogging [32.72182829728677]
  コントロールされた実験室の霧に事前訓練された深部消火パイプラインと、クリーンな屋外シーンに適用されたドメインランダム化合成霧を微調整した微調整は、ターゲットドメイントレーニングを伴わずに、配布外設定の段階的に一般化する。 これは、現実世界の双眼の偽造のために報告されたオープン転送制限に直接対処する。
  論文  参考訳（メタデータ） (2026-06-27T21:21:29Z)
• A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization [0.0]
  直接量子アニーラーポートフォリオ最適化は、一般にD-Waveハードウェアに送信されるペナルティ符号化QUBOとして定式化される。 この標準定式化は、現在のデバイスでは失敗し、構造的理由を特定する。 期待したリターンから目的のみのQUBOを構築し、それをハードウェア上でサンプリングする。
  論文  参考訳（メタデータ） (2026-05-17T19:50:04Z)
• Incoherent Deformation, Not Capacity: Diagnosing and Mitigating Overfitting in Dynamic Gaussian Splatting [0.0]
  動的3次元ガウス散乱法は、単眼ビデオでは強いトレーニングビューPSNRを実現するが、D-NeRFベンチマークでは不十分である。 鉄道車両の平均PSNR間隔は6.18dBで、個々のシーンで11dBまで上昇する。 EER(Elastic Energy Regularization)は、クラウドを85%拡大しながら、ギャップを40.8%削減する。
  論文  参考訳（メタデータ） (2026-04-17T23:41:50Z)
• When Flat Minima Fail: Characterizing INT4 Quantization Collapse After FP32 Convergence [0.0]
  後学習量子化は、よく収束したモデルが量子化対応モデルであると仮定する。 この仮定は構造化され、測定可能で、以前は達成できなかった方法で失敗することを示す。
  論文  参考訳（メタデータ） (2026-04-16T15:46:36Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• The Surprising Effectiveness of Skip-Tuning in Diffusion Sampling [78.6155095947769]
  Skip-Tuningは、スキップ接続上でシンプルだが驚くほど効果的にトレーニング不要なチューニング方法である。 ImageNet 64 では 19 NFE (1.75) で事前訓練された EDM に対して100% FID の改善が可能である。 Skip-Tuningは画素空間におけるスコアマッチング損失を増加させる一方、特徴空間における損失は減少する。
  論文  参考訳（メタデータ） (2024-02-23T08:05:23Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)

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。