文献

J-GLOBAL ID：202002210947753235   整理番号：20A2277705

サイクルGANを用いた周期的テクスチャ上の弱教師付き欠陥セグメンテーション【JST・京大機械翻訳】

Weakly-Supervised Defect Segmentation on Periodic Textures Using CycleGAN

著者 (4件)： Kim Minsu (Department of Electronics and Computer Engineering, Hanyang University, Seoul, South Korea) ,  Jo Hoon (Samsung Electronics Company Ltd., Hwaseong, South Korea) ,  Ra Moonsoo (LightVision Inc., Seoul, South Korea) ,  Kim Whoi-Yul (Department of Electronics and Computer Engineering, Hanyang University, Seoul, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 176202-176216  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 自動欠陥検査システムの重要性は製造業で増加している。検討すべき様々な製品は周期的テクスチャを持つ。画像ベースの検査システムの中で,教師つき欠陥セグメンテーションは,それら自身の領域レベルラベルを持つ多数の欠陥画像を必要とすることは一般的である。しかし,十分な訓練データを調製することは難しい。ほとんどの製品は通常の品質であるので,製品欠陥の画像を得ることは難しい。意味セグメンテーションタスクのためのピクセルワイズアノテーションは,排気と時間のかかるプロセスである。これらの問題を解決するために,周期的テクスチャを有する欠陥画像のための弱い監督された欠陥セグメンテーションフレームワークと,生成敵対ネットワークを用いたデータ増強プロセスを提案した。画像レベルラベリングだけによって,提案したセグメンテーションフレームワークは,サイクルGANを用いて,欠陥画像をその欠陥のないバージョンに翻訳し,次に,2つの画像を比較することによって,欠陥を分割する。提案した増強プロセスは,十分なデータを得るために,実際の欠陥画像から全体の新しい合成欠陥画像を生成する。さらに,合成非欠陥画像は,増強過程を通して実際の欠陥画像からさえ発生する。実験結果は,データ増強による提案フレームワークが既存の弱監督法よりも優れ,教師つきセグメンテーション法に匹敵する顕著な結果を示すことを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *セグメンテーション ,  ネットワーク ,  製造業
準シソーラス用語： 訓練データ ,  検査システム , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： サイクル ,  GaN ,  テクスチャ ,  教師 ,  欠陥 ,  セグメンテーション