Gradient surgery: A necessity for robust test-time adaptation for detecting casting defects
Notice bibliographique
Résumé
Casting defects pose a significant challenge in the manufacturing industry, leading to material waste, production inefficiencies, and compromised product quality. While deep learning models have shown promise in automating defect detection, their effectiveness is often constrained by domain shifts and variability in real-world data distributions. In this work, we propose Bayesian Test-Time Adaptation (BTTA), a novel framework designed to enhance the robustness and adaptability of machine learning models in such dynamic environments. Unlike traditional Test-Time Adaptation (TTA) methods, our approach employs gradient-guided diversification with Stein Variational Gradient Descent (SVGD) to explore diverse optimization paths. Experimental results on benchmark datasets, including CIFAR-10-C , Casting Defects , and GDXray , demonstrate significant performance improvements across key metrics. Notably, the framework achieves an average accuracy improvement of 2-3% under severe corruption levels and excels in cross-domain generalization, highlighting its ability to handle diverse and unseen defect categories. This dynamic adaptability not only addresses the limitations of static models but also offers a practical and cost-effective solution for real-time defect detection in industrial settings. Our study underscores the potential of BTTA to transform quality assurance processes, ensuring reliable performance across varying operational conditions without the need for extensive retraining or large annotated datasets. The codebase for BTTA is available on: https://github.com/afsharshamsi/GradSurgery .
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».