文献

J-GLOBAL ID：202202243698844213   整理番号：22A0456804

自動ピクセルワイズ産業異常検出のための新しい弱教師付きアンサンブル学習フレームワーク【JST・京大機械翻訳】

A Novel Weakly Supervised Ensemble Learning Framework for Automated Pixel-Wise Industry Anomaly Detection

著者 (5件)： Mei Shuang (School of Mechanical Engineering and Electronic Information, China University of Geosciences, Wuhan, China) ,  Cheng Jiangtao (School of Mechanical Engineering and Electronic Information, China University of Geosciences, Wuhan, China) ,  He Xin (School of Mechanical Engineering and Electronic Information, China University of Geosciences, Wuhan, China) ,  Hu Hao (School of Marine Science and Technology, Qingdao Research Institute, Northwestern Polytechnical University, Xi’an, China) ,  Wen Guojun (School of Marine Science and Technology, Qingdao Research Institute, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Sensors Journal  (IEEE Sensors Journal)
巻： 22  号： 2  ページ： 1560-1570  発行年： 2022年 
JST資料番号： W1318A  ISSN： 1530-437X  CODEN： ISJEAZ  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： 自動異常検出は,常に非常に重要で挑戦的な主題であり,製品品質に強く影響する。本論文では,自動ピクセルワイズ異常検出のための新しい弱教師つきアンサンブル学習ベースフレームワークを提案し,その代わりに,数百または数千の代りに,少数のラベル付きサンプルのみを用いて訓練するのを可能にし,一方,それは実際の応用において優れた性能を維持した。特に,ランダム形状,テクスチャおよび輝度を有する合成欠陥を,予備訓練のために無欠陥試料に注入する。次に,ホモグラフィ適応を導入し,そして,Siameseホモグラフィ法を用いて,異なるSiameseネットワークチャネルにおける結果の再現性および一貫性を制限することによって,訓練性能をさらに改善した。モデル推論モジュールでは,適応重みによるマルチモーダルブースティング法を,純粋に元のサンプル画像の予測の代わりに利用した。実験は,いくつかの典型的オープン産業異常検出データセットに関して実行して,実験結果は,著者らの方法が他の古典的優れた方法と比較してより良い性能を達成することを示した。典型的には,セグメンテーションメトリックmIOUは,これらのデータセット上で,特に85.79%,78.38%および76.65%に達することができる。Copyright 2022 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： *輝度 ,  再現性 ,  製品品質
準シソーラス用語： *アンサンブル学習 ,  ホモグラフィー ,  異常検出 , 【Automatic Indexing@JST】

分類 (3件)： 生体計測  (EL03020C) ,  計算機網  (JC03000K) ,  ロボットの設計・製造・構造要素  (IC04013A)

タイトルに関連する用語 (5件)： 産業 ,  異常検出 ,  教師 ,  アンサンブル学習 ,  フレームワーク