Die Studie stellt eine Methode namens Style Filter (SF) vor, die speziell für industrielle Kontexte entwickelt wurde. SF filtert die Quelldaten selektiv, bevor das Wissen übertragen wird, um die Datenmenge zu reduzieren, ohne die Leistung des Transfer-Lernens zu verringern oder sogar zu verbessern. SF bietet einen labelfreien Betrieb, minimale Abhängigkeit von Vorkenntnissen, Unabhängigkeit von bestimmten Modellen und Wiederverwendbarkeit. Die Methode wird an authentischen Industriedatensätzen evaluiert und zeigt ihre Wirksamkeit, wenn sie vor herkömmlichen Transfer-Lernstrategien im Bereich des Deep Learnings eingesetzt wird. Die Ergebnisse unterstreichen die Effektivität von SF in realen industriellen Anwendungen.
Die Grundidee von SF ist, dass der Stil Unterschiede zwischen Proben aus verschiedenen Quellen effektiv beschreiben kann. Experimente mit Stilübertragung auf Magnetfliesenproben bestätigen dies. SF besteht aus sechs Schritten: 1) Abbildung auf Stilräume, 2) Clustering von Instanzen in jedem Bereich, 3) Berechnung der Clusterzentren, 4) Clustering der Zentren, 5) Filterung von Instanzen, 6) Rückabbildung auf Bildräume.
SF wird dann verwendet, um die Leistung gängiger Transfer-Lernstrategien wie Pre-Training/Fine-Tuning und Domain Adaptation auf industriellen Defekterkennungsaufgaben zu verbessern. Die Ergebnisse zeigen, dass SF die Leistung von Pre-Training/Fine-Tuning signifikant verbessert, während es die Leistung von Domain Adaptation stabil hält oder leicht verbessert. Der Grund dafür ist, dass SF Quelldaten mit zu großen Stilunterschieden zum Zielbereich herausfiltert, was die Aufmerksamkeit des Netzwerks auf die relevanten Defektmerkmale lenkt.
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies