論文の概要: MCFR: A Mask-Guided Coarse-to-Fine Regression Framework for Robust Multi-Variant Board-to-Board Connector Assembly

• arxiv url: http://arxiv.org/abs/2610.09327v1
• Date: Wed, 07 Oct 2026 02:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.683206
• Title: MCFR: A Mask-Guided Coarse-to-Fine Regression Framework for Robust Multi-Variant Board-to-Board Connector Assembly
• Title（参考訳）: MCFR:ロバストなマルチバリアントボード・ツー・ボナード・コネクター・アセンブリのためのマスクガイド付き粗結合回帰フレームワーク
• Abstract要約: 本稿では,マルチバリアントBTBコネクタ構築のためのマスクガイド型粗回帰フレームワークを提案する。 本手法は, 背景干渉を抑え, 実際の展開におけるアライメント精度とロバスト性を向上させる。 自己構築型多変量データセット、BTBバッチ挿入テストベッド、および実際のスマートフォン組立タスクの実験は、MCFRが代表ベースラインを一貫して上回り、平均的な実世界の挿入成功率99.25%を達成したことを示している。
• 参考スコア（独自算出の注目度）: 8.840960311232676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated insertion of board-to-board (BTB) connectors in 3C manufacturing requires both high visual accuracy and strong deployment robustness. This problem remains challenging because multi-variant connectors exhibit significant morphological and appearance variations, making stable cross-variant generalization difficult, while the mismatch between training and deployment under fixed-view inspection settings induces background spurious correlation and degrades real-world performance. To address these issues, this paper proposes MCFR, a Mask-Guided Coarse-to-Fine Regression framework for multi-variant BTB connector assembly. By introducing an object-aware mask prior and explicit photometric refinement, the proposed method suppresses background interference and improves alignment accuracy and robustness in practical deployment. Experiments on a self-constructed multi-variant dataset, a BTB batch insertion testbed, and a real smartphone assembly task show that MCFR consistently outperforms representative baselines and achieves an average real-world insertion success rate of 99.25%. These results demonstrate the effectiveness and practical potential of MCFR for automated assembly of multi-variant BTB connectors.
• Abstract（参考訳）: 3C製造におけるBTBコネクタの自動挿入は、高い視覚的精度と強力な展開ロバスト性の両方を必要とする。 固定ビュー検査環境下でのトレーニングとデプロイメントのミスマッチは,背景の急激な相関を誘発し,実世界の性能を低下させる。 これらの課題に対処するために,マルチバリアントBTBコネクタアセンブリのためのMask-Guided Coarse-to-Fine ReressionフレームワークMCFRを提案する。 本手法は, 背景干渉を抑制し, 実際の展開におけるアライメント精度とロバスト性を向上させる。 自己構築型多変量データセット、BTBバッチ挿入テストベッド、および実際のスマートフォン組立タスクの実験は、MCFRが代表ベースラインを一貫して上回り、平均的な実世界の挿入成功率99.25%を達成したことを示している。 これらの結果は,多種BTBコネクタの自動組立におけるMCFRの有効性と実用性を示すものである。

関連論文リスト

• Neptuna: A Comprehensive Machine Learning Framework for Benchmarking Complex Multiphase Flows [0.0]
  衝撃駆動型圧縮性多相流に特化して設計された,最初の大規模ベンチマークを紹介する。 このベンチマークは、衝撃によるバブル崩壊と液滴の崩壊を特徴とする、2.4TBの高忠実度2Dおよび3Dデータセットで構成されている。 ベンチマークフレームワークであるNeptuna上で,多様なサロゲートモデルファミリーを評価した。
  論文  参考訳（メタデータ） (2026-07-24T13:20:01Z)
• Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
  LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。 LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
  論文  参考訳（メタデータ） (2026-06-15T03:17:44Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• CalibFree: Self-Supervised View Feature Separation for Calibration-Free Multi-Camera Multi-Object Tracking [50.354685761416484]
  CalibFreeは、MCMOTタスクのキャリブレーションや手動ラベリングを必要としない自己教師型表現学習フレームワークである。 MMP-MvMHATデータセットの実験では、全体の精度が3%向上し、最先端のアプローチよりも平均F1スコアが7.5%向上した。
  論文  参考訳（メタデータ） (2026-05-10T01:04:12Z)
• SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
  本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。 SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
  論文  参考訳（メタデータ） (2026-04-11T13:56:41Z)
• An Adapter-free Fine-tuning Approach for Tuning 3D Foundation Models [22.63554774942836]
  本稿では,完全かつパラメータ効率の良いファインチューニングのギャップを埋めるために,MCFT(Momentum-Consistency Fine-Tuning)を提案する。 MCFTは、運動量ベースの一貫性制約を強制しながら、事前訓練されたエンコーダの一部を選択的に微調整する。 我々はMCFTを2つの変種で拡張する: 豊富なラベル付きデータを活用する半教師付きフレームワークと、計算効率を向上させるプルーニングベースの変種。
  論文  参考訳（メタデータ） (2026-03-24T21:28:37Z)
• Hybrid Perception and Equivariant Diffusion for Robust Multi-Node Rebar Tying [3.949012733192417]
  レバータイリングは、鉄筋コンクリート造の繰り返しではあるが重要な作業であり、通常は手動でかなりのエルゴノミクスリスクで実施される。 ロボット操作の最近の進歩は、タイイングプロセスを自動化する可能性を秘めているが、密集したリバーノードのタイイングポーズを正確に推定する上で、課題に直面している。 本研究では,SE(3)(Diffusion-EDFs)上の等変デノイング拡散と幾何学的認識を統合したハイブリッド認識と運動計画手法を導入し,最小限のトレーニングデータで堅牢なマルチノードリバータイリングを実現する。
  論文  参考訳（メタデータ） (2025-08-26T07:09:27Z)
• MRC-DETR: An Adaptive Multi-Residual Coupled Transformer for Bare Board PCB Defect Detection [11.16242420187823]
  そこで本研究では,PCB 欠陥検査のための新規かつ効率的な検出フレームワーク MRC-DETR を提案する。 特徴表現能力を高めるため,MRDCB(Multi-Residual Directional Coupled Block)を設計する。 非効率な層間情報融合による計算冗長性を低減するため、適応スクリーニングピラミッドネットワーク(ASPN)を導入する。
  論文  参考訳（メタデータ） (2025-07-04T08:42:38Z)
• Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
  異常セグメンテーションのための textbfSelf-textbfPerceptinon textbfTuning (textbfSPT) 法を提案する。 SPT法は, 自己描画型チューニング戦略を取り入れ, 異常マスクの初期粗いドラフトを生成し, 精製処理を行う。
  論文  参考訳（メタデータ） (2024-11-26T08:33:25Z)
• MIA-Former: Efficient and Robust Vision Transformers via Multi-grained Input-Adaptation [14.866949449862226]
  Vision Transformer (ViT) モデルは、現実のリソース制約されたデバイスに組み込むには計算コストがかかりすぎる。 入力適応型視覚変換フレームワークMIA-Formerを提案する。 提案するMIA-Formerフレームワークは,入力画像の難易度に適応した予算を効果的に配分できることを確認した。
  論文  参考訳（メタデータ） (2021-12-21T22:06:24Z)

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。