Defect detection using weakly supervised learning

要約

多くの現実のシナリオでは、大量のラベル付きデータを取得することは困難な作業になる可能性があります。
弱い教師あり学習手法は、限られた量のラベル付きデータのみを使用してモデルをトレーニングできるため、従来の教師あり学習に代わるものとして、近年大きな注目を集めています。
このホワイト ペーパーでは、弱教師付き分類器と完全教師付き分類器のパフォーマンスを、欠陥検出のタスクで比較します。
欠陥を含む画像のデータセットに対して実験が行われ、精度、精度、再現率に基づいて 2 つの分類器が評価されます。
私たちの結果は、弱い教師あり分類器が教師あり分類器と同等のパフォーマンスを達成する一方で、必要なラベル付きデータが大幅に少ないことを示しています。

要約(オリジナル)

In many real-world scenarios, obtaining large amounts of labeled data can be a daunting task. Weakly supervised learning techniques have gained significant attention in recent years as an alternative to traditional supervised learning, as they enable training models using only a limited amount of labeled data. In this paper, the performance of a weakly supervised classifier to its fully supervised counterpart is compared on the task of defect detection. Experiments are conducted on a dataset of images containing defects, and evaluate the two classifiers based on their accuracy, precision, and recall. Our results show that the weakly supervised classifier achieves comparable performance to the supervised classifier, while requiring significantly less labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google