Dec, 2023

基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

PDF
TL;DR该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。
cognitive computingrail defect detectionconvolutional neural networks (cnn)variational autoencoder (vae)visual transformer (vit)
发现论文，激发创造
  • 稳定扩散控制的工业数据图像合成

    使用生成模型在工业数据上重新生成自我标记的有缺陷图像，从而优化真实工业使用情况下的裂缝分割器，显示了该方法在生产环境中的潜力。

    Jan, 2024

  • 利用合成训练数据提高深度学习质量检测的泛化能力

    通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。

    Feb, 2022

  • 使用 GAN 进行合成数据增强，以提高自动化视觉检查的效果

    本研究使用人工智能模型进行视觉质量检测，探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术，结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能

    Dec, 2022

  • 一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统

    准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题，我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提高了分类准确性，并在某一训练阶段实现了一致的性能。与其他最先进的方法相比，我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此，我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。

    Nov, 2023

  • 用于颅脑缺陷的异质增强的深度生成网络

    利用深度学习技术生成合成颅骨数据以改善自动设计个性化颅骨植入物的过程。

    Aug, 2023

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022

  • 利用机器学习识别人工智能生成的合成图像

    利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

    Jan, 2024

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 应用变分自动编码器进行放射学数据生成的生成式主动学习在兽医学中的应用

    利用变分自编码器提出的生成式主动学习框架解决兽医医学中计算机辅助诊断系统面临的数据缺乏挑战。通过生成数据的添加和训练模型的改进，该方法显著减少了放射照片中的 Frechet Inception 距离和混淆矩阵的假阳性，从而为医学 CAD 的进步做出了贡献。

    Mar, 2024

  • 医学影像数据增强的深度学习方法综述

    深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

    Jul, 2023