論文の概要: Type-Balanced Federated Learning for Visual Analog Meter Reading

• arxiv url: http://arxiv.org/abs/2609.31998v1
• Date: Fri, 25 Sep 2026 20:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:55:38.140246
• Title: Type-Balanced Federated Learning for Visual Analog Meter Reading
• Title（参考訳）: Visual Analog Meter Readingのためのタイプベースフェデレーション学習
• Abstract要約: メーターリーダーは、実際に各環境とメータータイプに対して個別に開発され、デプロイされなければならない。 ディープラーニングは、この可変性を扱うことができるが、収集と更新にコストがかかる多様なラベル付きデータを必要とする。 本稿では、複数のサイトが生画像を共有することなく、協調して読影モデルのトレーニングを行うことのできる、視覚的アナログメーター読影のための連合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.047879179243616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog dial meters are widely deployed in industrial applications and utility sites, where environments and meter types vary and inspection data may be sensitive. Currently, automatic meter readers must be individually developed and deployed for each environment and meter type in practice. Deep learning could handle this variability but requires diverse labeled data that are costly to collect and update. In practice, meter images are distributed across independent sites, each with limited labels, while raw images often cannot be pooled because of ownership, governance, or privacy constraints. To address these challenges, we present a federated framework for visual analog meter reading that enables multiple sites to collaboratively train a reading model without sharing their raw images. Our framework consists of a four-stage pipeline: (1) dial localization, (2) thin-structure segmentation trained federatively across clients, (3) polar unwrapping, and (4) tick-counting decoding for final reading. To enable systematic evaluation of this setting, we release MeterFL, a 1,382-image mask-annotated dataset organized into deployment-motivated pseudo-clients derived from visual attributes via deterministic rules, with dHash near-duplicate control between the segmentation train and test splits. We evaluate both segmentation quality and end-to-end reading accuracy. MeterFL is publicly available at https://github.com/weidazhaoooo/Meter-FL.
• Abstract（参考訳）: アナログダイヤルメーターは、環境やメーターの種類が異なり、検査データに敏感な産業用アプリケーションやユーティリティサイトに広く展開されている。 現在、自動メーターリーダーは個々の環境とメータータイプに対して個別に開発され、デプロイされなければならない。 ディープラーニングは、この可変性を扱うことができるが、収集と更新にコストがかかる多様なラベル付きデータを必要とする。 実際には、メーターイメージは独立したサイトに分散しており、それぞれにラベルが限られている。 これらの課題に対処するために、複数のサイトが生画像を共有することなく、協調して読み出しモデルのトレーニングを行うことのできる、視覚的アナログメーター読取のための連合フレームワークを提案する。 本フレームワークは,(1)ダイヤルローカライゼーション,(2)クライアント間でフェデレーティブに訓練された薄膜セグメンテーション,(3)ポーラ・アンラッピング,(4)最終読解のためのチクカウントデコーディングの4段階からなる。 この設定をシステマティックに評価するために、私たちは、DHashをセグメンテーショントレインとテストスプリットのほぼ重複した制御で、視覚的属性から派生したデプロイモチベートされた擬似クライアントにまとめられた1,382イメージのマスクアノテートデータセットであるMeterFLをリリースする。 セグメンテーション品質とエンド・ツー・エンドの読解精度を評価した。 MeterFLはhttps://github.com/weidazhaoooo/Meter-FL.comで公開されている。

関連論文リスト

• LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning [1.2599533416395765]
  3次元の3次元クラウド解析は、自律運転やロボット工学から林業や生態モニタリングまで幅広い応用の中心となっている。 libは統合されたPyTorchライブラリで、29の教師付きアーキテクチャ、7つのSSL事前トレーニングメソッド、5つのPEFT戦略を含む55以上のモデル構成を統合している。 libは、標準化されたトレーニングランナー、階層化された$K$-fold分割によるクロスバリデーション、自動化/CSVテーブル生成、厳密なマルチモデル比較のための臨界差図を用いたFriedman/Nemenyi統計テスト、200以上の自動テストを備えた総合的なテストスイートを提供する。
  論文  参考訳（メタデータ） (2026-04-12T19:10:12Z)
• Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
  本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。 我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-12T16:57:12Z)
• Do Vision-Language Models Measure Up? Benchmarking Visual Measurement Reading with MeasureBench [4.095423692230828]
  Measure-Benchは、実世界と合成された様々な種類の計測画像の両方をカバーする、視覚的計測読影のベンチマークである。 我々のパイプラインは、制御可能な視覚的外観を持つ特定タイプのゲージを手続き的に生成する。
  論文  参考訳（メタデータ） (2025-10-30T17:20:51Z)
• Readout Guidance: Learning Control from Diffusion Features [96.22155562120231]
  本稿では,学習信号を用いたテキスト・画像拡散モデル制御手法であるReadout Guidanceを提案する。 Readout Guidanceはリードアウトヘッドを使用し、トレーニング済みの凍結拡散モデルの特徴から信号を取り出すために訓練された軽量ネットワークである。 これらの読み出しは、ポーズ、深さ、エッジなどのシングルイメージ特性や、対応性や外観類似性といった複数の画像に関連する高次特性を符号化することができる。
  論文  参考訳（メタデータ） (2023-12-04T18:59:32Z)
• Read Pointer Meters in complex environments based on a Human-like Alignment and Recognition Algorithm [16.823681016882315]
  これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。 STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。 VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
  論文  参考訳（メタデータ） (2023-02-28T05:37:04Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)
• Learning Intra-Batch Connections for Deep Metric Learning [3.5665681694253903]
  メートル法学習は、類似のサンプルが異種よりも近い低次元空間にサンプルをマッピングする関数を学習することを目的としている。 ほとんどのアプローチは、サンプルのペアまたはトリプレット間の関係のみを考慮した損失に依存する。 ミニバッチにおけるすべての関係を考慮に入れたメッセージパッシングネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T18:50:00Z)
• Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
  本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
  論文  参考訳（メタデータ） (2021-01-25T02:48:21Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。