Convolutional Ensembling based Few-Shot Defect Detection Technique

要約

過去数年にわたり、数撃ちゃ当たるの学習領域で著しい改善が見られた。この学習パラダイムは、一般的なタスクが重いクラスのアンバランスを扱う異常検出という困難な問題に対して有望な結果を示している。本論文では、提案する数発学習フレームワークのバックボーンとして、事前に学習した複数の畳み込みモデルの知識ベースを用いることで、数発分類への新たなアプローチを提案する。このフレームワークでは、新しいアンサンブル技術を用いることで、精度を向上させるとともに、パラメータの総数を大幅に削減し、実時間での実装への道を開く。電力線の欠陥検出データセットを用いてハイパーパラメータ探索を行った結果、5ウェイ5ショットタスクで92.30%の精度を得ることができた。さらにチューニングを行わずに、既存の最先端手法と競合する基準で本モデルを評価し、それらを凌駕する性能を示した。

要約(オリジナル)

Over the past few years, there has been a significant improvement in the domain of few-shot learning. This learning paradigm has shown promising results for the challenging problem of anomaly detection, where the general task is to deal with heavy class imbalance. Our paper presents a new approach to few-shot classification, where we employ the knowledge-base of multiple pre-trained convolutional models that act as the backbone for our proposed few-shot framework. Our framework uses a novel ensembling technique for boosting the accuracy while drastically decreasing the total parameter count, thus paving the way for real-time implementation. We perform an extensive hyperparameter search using a power-line defect detection dataset and obtain an accuracy of 92.30% for the 5-way 5-shot task. Without further tuning, we evaluate our model on competing standards with the existing state-of-the-art methods and outperform them.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL