基于α-偏斜Jensen-Shannon散度的焊点细粒度分类
计算机视觉与模式识别
2022-09-21 v1
摘要
焊点检测（SJI）是印刷电路板（PCB）生产中的关键环节。由于焊点尺寸极小且形状多样，在SJI过程中检测焊接错误极具挑战性。在本研究中，我们首先表明焊点的特征多样性低，且SJI可作为细粒度图像分类任务来执行，该任务关注难以区分的 object 类别。为提高细粒度分类精度，文献中发现通过最大化熵来惩罚置信模型预测是有用的。基于此，我们提出使用α-偏斜Jensen-Shannon散度（α-JS）来惩罚模型预测中的置信度。我们将α-JS正则化与现有的基于熵正则化的方法以及基于注意力机制、分割技术、transformer模型和特定损失函数的细粒度图像分类方法进行比较。我们表明，所提方法在不同模型的细粒度焊点分类任务中取得了最高的F1分数和具竞争力的准确率。最后，我们对激活图进行可视化，并表明采用熵正则化能定位更精确的类判别区域，且这些区域对噪声也更具鲁棒性。代码将在录用后于此提供。
引用
@article{arxiv.2209.09857,
title = {Fine-grained Classification of Solder Joints with {\alpha}-skew Jensen-Shannon Divergence},
author = {Furkan Ulger and Seniha Esen Yuksel and Atila Yilmaz and Dincer Gokcen},
journal= {arXiv preprint arXiv:2209.09857},
year = {2022}
}
备注
Submitted to IEEE Transactions on Components, Packaging and Manufacturing Technology