DCSNet: A Surface Defect Classification and Segmentation Model by One-Class Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Researches in surface defect classification and segmentation technology have been seen significant progress in recent years. However, there are few works on One-Class learning in this direction by a single model. In previous researches, some problems remain unsolved in the surface defect detection methods, e.g. the training needs a large number of samples and these models cannot classify and locate the surface defect accurately, etc. The main contribution in this work is that we summarize the overall ideas of previous research in network design and propose a multi-task model which could be trained only using a few of positive samples. Meanwhile, the experiments on AITEX detection datasets[1] which get 84.4% DR, 4.4% FAR and 34.2% MIOU, and conduct an ablation experiment in real industrial product dataset to validate the effect of different backbones on DCSNet. It’s worth mentioning that DCSNet provides a solution to the task of surface defect classification and segmentation based on One-Class learning. The code will be open source in ext-link-type="uri" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="https://agit.ai/wyxxx/zhengtu">https://agit.ai/wyxxx/zhengtu.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle