Dynamic Label Injection for Imbalanced Industrial Defect Segmentation

要約

この研究では、深層学習システムにおける不均衡なマルチクラスのセマンティック セグメンテーションの問題に取り組む、シンプルかつ効果的な方法を提案します。
優れたトレーニング セットの重要な特性の 1 つは、クラス間のバランスです。
入力分布のインスタンス数が著しく不均衡である場合、学習プロセスが妨げられたり、学習プロセスの続行が困難になる可能性があります。
この目的を達成するために、入力バッチに均一な分布を適用する動的ラベル挿入 (DLI) アルゴリズムを提案します。
当社のアルゴリズムは、現在のバッチ欠陥分布を計算し、ポアソンベースのシームレスなイメージ クローン作成とカット ペースト技術を組み合わせて欠陥を転送することで、バランスを再調整します。
Magnetic Tiles データセットの徹底的な実験セクションでは、困難な弱い教師付きセットアップでも、他のバランス損失アプローチと比較して DLI の優れた結果が示されています。
コードは https://github.com/covisionlab/dynamic-label-injection.git で入手できます。

要約(オリジナル)

In this work, we propose a simple yet effective method to tackle the problem of imbalanced multi-class semantic segmentation in deep learning systems. One of the key properties for a good training set is the balancing among the classes. When the input distribution is heavily imbalanced in the number of instances, the learning process could be hindered or difficult to carry on. To this end, we propose a Dynamic Label Injection (DLI) algorithm to impose a uniform distribution in the input batch. Our algorithm computes the current batch defect distribution and re-balances it by transferring defects using a combination of Poisson-based seamless image cloning and cut-paste techniques. A thorough experimental section on the Magnetic Tiles dataset shows better results of DLI compared to other balancing loss approaches also in the challenging weakly-supervised setup. The code is available at https://github.com/covisionlab/dynamic-label-injection.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google