論文の概要: Cross-Scenario Industrial Defect Detection via Domain-Robust Training and Metric-Aligned Selection

• arxiv url: http://arxiv.org/abs/2610.19540v1
• Date: Wed, 14 Oct 2026 03:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.948722
• Title: Cross-Scenario Industrial Defect Detection via Domain-Robust Training and Metric-Aligned Selection
• Title（参考訳）: ドメイン・ロバスト・トレーニングとメトリック・アラインド・セレクションによるクロスシナリオ産業欠陥検出
• Abstract要約: IDA 2026トラック1チャレンジに対するクロスシナリオ欠陥検出手法を提案する。 この方法は、4つの相補的なモジュールを含む: クロスセサリオロバストトレーニング、小さな欠陥認識学習、スコアキャリブレーションと推論しきい値選択、メトリック整列チェックポイント選択。 実験結果から,テストデータセットにおけるトラック1スコアの0.564,スクリーニングスコアの0.696が得られた。
• 参考スコア（独自算出の注目度）: 9.575233416810597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated defect detection of industrial boards must remain highly reliable under cross-scenario variations in lighting, surface contaminants, and production line conditions. This makes cross-scenario defect detection a domain generalization problem, wherein models are required to detect, localize, and classify defects across unseen scenarios while minimizing false alarms on clean boards. For the IDA 2026 Track 1 challenge, we propose a cross-scenario defect detection method that includes four complementary modules: cross-scenario robust training, small-defect-aware learning, score calibration and inference threshold selection, and metric-aligned checkpoint selection. These four modules respectively introduce cross-scenario robust normalization and DSU-style statistic perturbation with progressive random convolution, NWD and parameter-free spatial attention, the VFL learning objective, and a custom SWAD variant driven by the Track 1-oriented proxy. Experimental results demonstrate that our model achieves a Track 1 score of 0.564 with a screening score of 0.696 on the test dataset on a single RTX 4090 GPU. The code is available at https://github.com/GZHU-DVL/Dikai.
• Abstract（参考訳）: 産業用基板の自動欠陥検出は, 照明, 表面汚染物質, 製造ライン条件の違いにより, 信頼性が高く保たなければならない。 これにより、クロスシナリオの欠陥検出がドメインの一般化の問題となり、クリーンボード上の偽のアラームを最小限に抑えながら、目に見えないシナリオで欠陥を検出し、ローカライズし、分類するモデルが必要になります。 In the IDA 2026 Track 1 Challenge, we propose a cross-scenario defect detection method which includes four complementary modules: cross-scenario robust training, small-defect-aware learning, score calibration and inference threshold selection, and metric-aligned checkpoint selection。 これら4つのモジュールはそれぞれ、プログレッシブランダム畳み込み、NWDおよびパラメータフリーな空間的注意、VFL学習目標、トラック1指向プロキシによって駆動されるカスタムSWAD変異を伴う、クロスセクサリオロバスト正規化とDSUスタイルの統計摂動を導入している。 実験結果から,RTX 4090 GPUの試験データセットにおいて,トラック1スコアが0.564,スクリーニングスコアが0.696,トラック1スコアが0.564,トラック1スコアが0。 コードはhttps://github.com/GZHU-DVL/Dikaiで公開されている。

関連論文リスト

• Routing Probes Can Improve Without New Information: An Exact-Null Audit of Uncertainty Beyond Model Outputs [14.727396825167917]
  現代の視覚変換器のルーティング信号は、しばしばモデルが正しいかどうかを予測するプローブを改善する。 この推論は、解離データに固定された凍結出力のみのジェネレータから正当性ラベルを再描画することによって直接テストする。 実正性ラベルについて、条件解析は、DeiTの5つの注意-残留族におけるモデル的証拠をもたらす。
  論文  参考訳（メタデータ） (2026-09-30T04:22:18Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Local Sparsity Enables Unsupervised LLM Safety Detection [72.36186449615774]
  大規模言語モデル(LLM)のデプロイ時の安全性メソッドは、主に教師付きであり、安全でないトレーニングデータへのアクセスを前提としている。 新たな攻撃や危害のカテゴリーは定期的に発生し、そのような教師付き方式で訓練されたモデルでは捕捉されない。 本稿では,理論的正当性に支えられた局所的なSAEによる異常検出のための枠組みを提案する。
  論文  参考訳（メタデータ） (2026-09-17T12:23:04Z)
• UniPCB: A Generation-Assisted Detection Framework for PCB Defect Inspection [16.687894734386322]
  制御された欠陥合成とタスク固有の欠陥検出を統合した世代別PCB欠陥検査フレームワークを提案する。 DsPCBSD+の実験では、UniPCBは98.0%のmAP@0.5と61.8%のmAP@0.5:0.95の欠陥検出を達成した。
  論文  参考訳（メタデータ） (2026-05-06T08:30:27Z)
• Unsupervised Fault Detection using SAM with a Moving Window Approach [0.0]
  本稿では、SAM(High End Segment Anything Model)と移動ウィンドウアプローチを用いた教師なし手法を提案する。 我々は、微調整やラベル付きデータを必要とせずに、これらの課題を克服することを目指している。
  論文  参考訳（メタデータ） (2024-07-08T18:12:29Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)
• 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)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。