利用弱监督信号进行质量检测的主动学习
计算机视觉与模式识别
2021-07-23 v1 人工智能
计算机科学中的逻辑
机器学习
摘要
由于制造工艺快速演进,且生产视觉外观可能每日显著变化,快速更新基于机器视觉的检测系统的能力至关重要。遗憾的是,卷积神经网络的监督学习需要大量标注图像才能从新数据中有效学习。考虑到生产线持续产生图像的丰富性及其标注成本,我们证明可对标注过程进行优先级排序并加速。本工作中,我们开发了一种从快速挖掘的弱(即部分)标注数据中进行主动学习的方法,实现了产线操作员的快速直接反馈,并解决了机器视觉的一大弱点:误报。我们还考量了协变量偏移问题,其因数据采集期间条件变化而不可避免出现。就此,我们展示域对抗训练是解决该问题的有效途径。
引用
@article{arxiv.2104.02973,
title = {Active learning using weakly supervised signals for quality inspection},
author = {Antoine Cordier and Deepan Das and Pierre Gutierrez},
journal= {arXiv preprint arXiv:2104.02973},
year = {2021}
}
备注
8 pages, 3 Figures, QCAV 2021 conference (proceedings published in SPIE)