論文の概要: Beyond CLIP: Calibrated (Few-Shot) Defect Detection With System One Decision Models
- arxiv url: http://arxiv.org/abs/2610.41199v1
- Date: Fri, 30 Oct 2026 03:21:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.607041
- Title: Beyond CLIP: Calibrated (Few-Shot) Defect Detection With System One Decision Models
- Title（参考訳）: Beyond CLIP: システム1決定モデルによる校正(Few-Shot)欠陥検出
- Abstract要約: CLIPのようなビジョントランスフォーマー(ViT)モデルは、名目および欠陥クラス当たり50-100イメージまで要件を縮小できる。
a)画像分類・検査用モデルのkショット学習のためのフレームワーク,(b)画像分類を指導するテキスト記述を自動的に精錬するエージェント的アプローチ,(c)結果の欠陥確率を校正して検査判断の信頼性を向上させるアプローチ,の3つの主な貢献点を提供する。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cameras and vision sensors are widely used for product and process inspection in manufacturing environments. Traditionally, this process required thousands of images of both nominal and defective products to train such models. Recent research shows that vision transformer (ViT) models, such as CLIP, can reduce this requirement to 50-100 images per nominal and defective class. However, collecting even 50 defective images can be difficult in high-yield or low-volume manufacturing processes. In this paper, we examine the utility of two recently proposed structured decision models (Jev and Clef-Flash) in applications using as few as k=2 reference images per class at inference. In the process, we provide three main contributions: (a) a framework for k-shot learning of these models for image classification/inspection applications; (b) an agentic approach for automatically refining the text descriptions that guide image classification in these decision models; and (c) an approach to calibrate the resulting defect probabilities to improve their reliability for inspection decisions. We test these contributions in five manufacturing case studies. Using two reference images per class, both Jev and Clef-Flash outperform CLIP's test accuracies with the same references (0.75-1.00 [Jev] and 0.71-0.99 [Clef-Flash] vs 0.67-0.84 [CLIP]). Furthermore, we show that our agentic refinement of text descriptions significantly improves accuracy across 6 of 8 model-application combinations, and our calibration approach reduces the Brier score in 13 of the 15 model-application configurations. To support the reproducibility of our work, we provide our replication code and have created the R "decisions" package for evaluating additional models. We also provide a publicly available web app that allows practitioners to inspect their own images with no code.
- Abstract（参考訳）: カメラと視覚センサーは製造環境における製品およびプロセス検査に広く利用されている。
伝統的に、このプロセスは、そのようなモデルを訓練するために、名目上の製品と欠陥のある製品の何千もの画像を必要とした。
最近の研究によると、CLIPのようなビジョントランスフォーマー(ViT)モデルは、この要求を名目および欠陥クラス当たり50-100イメージに削減できる。
しかし、高収量・低体積製造工程では、50枚の欠陥画像の収集は困難である。
本稿では,最近提案された2つの構造化決定モデル (Jev と Clef-Flash) の,推論時にクラス毎の k=2 参照画像を用いて,アプリケーションにおける有用性について検討する。
その過程で、私たちは3つの主要なコントリビューションを提供します。
(a)画像分類・検査用モデルのkショット学習のためのフレームワーク
b)これらの決定モデルにおける画像分類を導くテキスト記述を自動的に精錬するためのエージェント的アプローチ
(c)検査判断の信頼性を向上させるため、結果の欠陥確率を校正するアプローチ。
5つの製造ケーススタディでこれらのコントリビューションを検証した。
クラス毎に2つの参照イメージを使用して、JevとClef-Flashは同じ参照でCLIPのテスト精度(0.75-1.00 [Jev]と0.71-0.99 [Clef-Flash]対0.67-0.84 [CLIP])を上回ります。
さらに,テキスト記述のエージェント的洗練により,8つのモデル・アプリケーションの組み合わせのうち6つで精度が向上し,キャリブレーション手法により15のモデル・アプリケーション構成のうち13のブライアスコアが低下することを示した。
作業の再現性をサポートするため、レプリケーションコードを提供し、追加モデルを評価するためのR"決定"パッケージを作成しました。
また、コードを使わずに自分のイメージを検査できるWebアプリも公開しています。
関連論文リスト
- Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
本稿では,視覚的審美性ベンチマーク (VAB) を提案する。
VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。
最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
論文 参考訳（メタデータ） (2026-05-12T19:33:28Z) - A Sanity Check on Composed Image Retrieval [91.95275287747499]
Composed Image Retrieval (CIR) は、参照画像からなるクエリと、所望の修正を指定する相対的なキャプションに基づいて、ターゲット画像を取得することを目的としている。
FISD(Fully-Informed Semantically-Diverse benchmark)は、参照ターゲット画像対の変数を正確に制御するために生成モデルを利用する。
本稿では,対話型シナリオにおける既存モデルの可能性を探るためのマルチラウンドエージェント評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-14T15:52:22Z) - GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。
フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。
2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
論文 参考訳（メタデータ） (2025-06-27T03:42:09Z) - CUCL: Codebook for Unsupervised Continual Learning [129.91731617718781]
本研究は,教師なし連続学習(UCL)の代替として,教師なし連続学習(UCL)に焦点を当てている。
本稿では,教師なし連続学習のためのCodebook for Unsupervised Continual Learning (CUCL) という手法を提案する。
本手法は教師なしおよび教師なしの手法の性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-25T03:08:50Z) - Benchmark Generation Framework with Customizable Distortions for Image
Classifier Robustness [4.339574774938128]
本稿では,画像分類モデルのロバスト性を評価するために,逆ベンチマークを生成する新しいフレームワークを提案する。
当社のフレームワークでは,画像に最適な歪みの種類をカスタマイズすることが可能で,デプロイメントに関連する歪みに対処する上で有効である。
論文 参考訳（メタデータ） (2023-10-28T07:40:42Z) - Zero-shot Model Diagnosis [80.36063332820568]
ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。
本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
論文 参考訳（メタデータ） (2023-03-27T17:59:33Z) - A framework for benchmarking class-out-of-distribution detection and its
application to ImageNet [15.929238800072195]
本稿では,画像分類器のクラスアウト・オブ・ディストリビューション・インスタンス検出能力のベンチマークを行う新しいフレームワークを提案する。
我々はこの手法をImageNetに適用し、ImageNet-1k分類器として525の事前訓練と公開を行った。
論文 参考訳（メタデータ） (2023-02-23T09:57:48Z) - Improving Zero-shot Generalization and Robustness of Multi-modal Models [70.14692320804178]
CLIPやLiTのようなマルチモーダルな画像テキストモデルは、画像分類ベンチマークで顕著な性能を示している。
本研究は,この性能差の原因を考察し,テキストプロンプトの曖昧さによる障害事例の多くが原因であることを示す。
本稿では,WordNet階層を用いて,不確実な画像の精度を向上させるための簡易かつ効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-12-04T07:26:24Z) - Towards Reliable Zero Shot Classification in Self-Supervised Models with
Conformal Prediction [0.688204255655161]
我々は,所定のテストキャプションを確実に使用できるかを評価するためのコンフォメーション予測手法を開発した。
提案手法により, ゼロショット分類設定におけるCLIPスタイルモデルの信頼性が向上することを示す。
論文 参考訳（メタデータ） (2022-10-27T23:52:14Z)
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。