Learning Trustworthy Model from Noisy Labels based on Rough Set for Surface Defect Detection

要約

表面欠陥検出では、異常か正常かを一意に分類できない疑わしい領域がいくつかあります。
疑わしい領域へのアノテーションは、作業者の感情の揺らぎや判断基準などの影響を受けやすく、ラベルにノイジーが生じ、それが見落としや誤検知につながり、最終的には製品の品​​質の一貫性のない判断につながります。
通常のノイズの多いラベルとは異なり、表面欠陥の検出に使用されるラベルは、誤ったラベルではなく一貫性がないように見えます。
ノイズはほとんどすべてのラベルで発生し、修正または評価が困難です。
この論文では、表面欠陥欠陥のノイズの多いラベルから信頼できるモデルを学習するフレームワークを提案しました。
最初に、ノイズの多いラベルがモデルに与える悪影響を回避するために、疑わしい領域をピクセルレベルで一貫性のある正確な要素で表現し、損失関数を再設計します。
第二に、ネットワーク構造を変更したり、余分なラベルを追加したりすることなく、プラガブルな空間相関ベイジアンモジュールが提案されています。
最後に、異常を欠陥として識別することができる不確実性を測定するために、欠陥識別信頼度が提案されます。
私たちの結果は、ノイズの多いラベルからの学習における提案された方法の有効性だけでなく、ロバスト性とリアルタイム性能も示しています。

要約(オリジナル)

In the surface defect detection, there are some suspicious regions that cannot be uniquely classified as abnormal or normal. The annotating of suspicious regions is easily affected by factors such as workers’ emotional fluctuations and judgment standard, resulting in noisy labels, which in turn leads to missing and false detections, and ultimately leads to inconsistent judgments of product quality. Unlike the usual noisy labels, the ones used for surface defect detection appear to be inconsistent rather than mislabeled. The noise occurs in almost every label and is difficult to correct or evaluate. In this paper, we proposed a framework that learns trustworthy models from noisy labels for surface defect defection. At first, to avoid the negative impact of noisy labels on the model, we represent the suspicious regions with consistent and precise elements at the pixel-level and redesign the loss function. Secondly, without changing network structure and adding any extra labels, pluggable spatially correlated Bayesian module is proposed. Finally, the defect discrimination confidence is proposed to measure the uncertainty, with which anomalies can be identified as defects. Our results indicate not only the effectiveness of the proposed method in learning from noisy labels, but also robustness and real-time performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google