Dual Feature-Integration Network for Faster and More Pragmatic Few-Shot Strip Steel Surface Defect Classification
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
Rapid and accurate classification of surface defects in the strip steel production process contributes to reducing production costs in factories. In this article, a dual feature-integration network (DFINet) is constructed for faster and more pragmatic few-shot strip steel surface defect classification scenarios. The model utilizes a relatively simple convolutional neural network (CNN) as the backbone to improve real-time performance. Bidirectional long short-term memory networks are employed to extract cross-image features (CIFs) from the support set, which are, then, fused with the structural features extracted by the backbone to obtain aggregated features for updating deeper support set features. The positions of support samples are adjusted by randomly cropping them into several subimages and fusing the features of these subimages to further update the positions of support samples in the metric space. Leveraging the nonparametric structure and strong adaptability of Euclidean distance, the model employs it as a classifier to further enhance real-time and classification performance. Additionally, to simulate more pragmatic few-shot strip steel surface defect classification scenarios, a modification is made to the common N-way, K-shot training mode, by changing the number of samples in the support set from fixed-shot to Random-shot. Extensive experiments demonstrate that the proposed method can rapidly and accurately classify surface defects in strip steel, even in more challenging few-shot classification scenarios.
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 | 0,000 |
| 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