Contrastive Self-Supervised Learning for Packaging Artwork Layer Classification with Text and Image Features
Notice bibliographique
Résumé
Creating product packaging relies heavily on digital artworks, typically in multi-layered PDFs.Each layer in these artworks represents critical elements, such as text, brand logos, nutrient panels, die-lines, dimensions, varnish areas, and graphics, essential for accurate and consistent printing.However, the absence of standardized layer organization poses significant challenges to maintaining the quality and consistency of these digital artworks.To address this, we introduce a self-supervised learning framework for automated packaging artwork layer classification.We pre-train our model using contrastive learning methods, specifically simple contrastive learning (SimCLR) and Momentum Contrast (MoCo), leveraging unlabelled data.By strategically managing augmentations during pretraining, our framework extracts discriminative features, including shape, colour, and text, mapping semantically similar features into a shared representation space.Notably, MoCo enhanced feature learning and generalization through increased negative sample diversity.Additionally, this paper proposes a multi-modal classification approach that integrates image encoder with text embeddings.Experimental results show that our multi-modal model achieves a 91% accuracy rate, outperforming traditional machine learning models by 2% average accuracy.These findings highlight the model's ability to enhance classification performance, particularly in classifying visually similar artwork layers.We demonstrate the effectiveness of multi-modal architectures incorporating text, alongside visual features, for improved classification accuracy.This pre-training approach, particularly when combined with text embeddings, significantly boosts classification accuracy to 97% for complex artworks, representing a 5-10% improvement over baseline models.Our proposed solution streamlines production workflows through faster and more accurate layer identification.Ultimately, our research offers a scalable pathway towards standardizing packaging artwork management, improving consistency, reducing errors, and enhancing overall printing process efficiency.
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 | 0,000 |
| 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 ».