MemoryMamba: Memory-Augmented State Space Model for Defect Recognition

要約

製造業の自動化が進むにつれて、精密で洗練された欠陥検出技術への需要が高まっている。既存の欠陥認識手法のビジョンモデルは、現代の製造現場における複雑で多様な欠陥に対応するには不十分です。これらのモデルは特に、欠陥データが限られていたり、不均衡であったりするシナリオでは苦戦を強いられる。本研究では、既存の欠陥認識モデルの限界を克服するために設計された、新しいメモリ拡張状態空間モデル（SSM）であるMemoryMambaを紹介する。MemoryMambaは、状態空間モデルをメモリ増強機構と統合することで、システムが欠陥固有の重要な情報を保持し、学習時に取り出すことを可能にする。そのアーキテクチャは、効果的な欠陥検出のために極めて重要な、依存関係や複雑な欠陥特性を捉えるように設計されている。実験では、MemoryMambaを、様々な欠陥の種類と複雑さを持つ4つの産業用データセットで評価した。このモデルは常に他の手法を上回り、様々な欠陥認識シナリオに適応する能力を実証した。

要約(オリジナル)

As automation advances in manufacturing, the demand for precise and sophisticated defect detection technologies grows. Existing vision models for defect recognition methods are insufficient for handling the complexities and variations of defects in contemporary manufacturing settings. These models especially struggle in scenarios involving limited or imbalanced defect data. In this work, we introduce MemoryMamba, a novel memory-augmented state space model (SSM), designed to overcome the limitations of existing defect recognition models. MemoryMamba integrates the state space model with the memory augmentation mechanism, enabling the system to maintain and retrieve essential defect-specific information in training. Its architecture is designed to capture dependencies and intricate defect characteristics, which are crucial for effective defect detection. In the experiments, MemoryMamba was evaluated across four industrial datasets with diverse defect types and complexities. The model consistently outperformed other methods, demonstrating its capability to adapt to various defect recognition scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL