基于领域差异的自动光学检测模型迁移学习
计算机视觉与模式识别
2023-01-18 v1
摘要
迁移学习是 AOI（自动光学检测）应用中一种极具前景的方法，因为它能够显著缩短样本收集时间并提高当今智能制造中的效率。然而，相关研究在应用 TL（迁移学习）以增强网络模型时，未考虑数据集之间的领域相似性以及源数据集的数据长尾性，且主要使用线性变换来缓解样本不足的问题。本研究通过领域相似性应用基于模型的 TL，以提升整体性能，并在目标域和源域进行数据增强，以丰富数据质量并减少不平衡。给定一组来自相似工业过程的源数据集，我们通过领域差异得分及各自拥有的样本数量来定义哪一组与目标域最相关。然后，我们迁移所选的预训练主干权重，以训练和微调目标网络。我们的研究表明，与使用基准数据集的 TL 相比，F1 分数和 PR 曲线最高可提升 20%。
引用
@article{arxiv.2301.05897,
title = {Model-based Transfer Learning for Automatic Optical Inspection based on domain discrepancy},
author = {Erik Isai Valle Salgado and Haoxin Yan and Yue Hong and Peiyuan Zhu and Shidong Zhu and Chengwei Liao and Yanxiang Wen and Xiu Li and Xiang Qian and Xiaohao Wang and Xinghui Li},
journal= {arXiv preprint arXiv:2301.05897},
year = {2023}
}
备注
This is a fix of the published paper "Relational-based transfer learning for automatic optical inspection based on domain discrepancy"