메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
전장군 (경기대학교) 김남기 (경기대학교)
저널정보
제어로봇시스템학회 제어로봇시스템학회 논문지 제어로봇시스템학회 논문지 제31권 제4호
발행연도
2025.4
수록면
328 - 333 (6page)
DOI
10.5302/J.ICROS.2025.24.0280

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
This paper presents a novel image-level anomaly detection control method for defect inspection, which comprises feature- extraction from high-dimensional data and feature-learning to analyze the observed patterns. we focus on the feature-learning step, especially in Deep SVDD. To determine anomalies from images of object suspected to be defective, Deep SVDD learns the decision boundaries for the normal feature distribution in the latent space. When a new image is received by the defect inspection system, Deep SVDD maps its features to the latent space and detects anomalies based on whether the observed features fall within the decision boundaries for normal features. The decision boundary of Deep SVDD is determined based on the center-point, which is the center position of the decision boundary. The center-point is randomly fixed at the beginning of training of Deep SVDD. However, this limits the possibility of finding the optimal decision boundary. Therefore, we propose a center-point-moving method to optimize the center-point location and improve the performance of Deep SVDD. To confirm the suitability of the proposed method, we conducted experiments on MVTec-AD, a defect inspection dataset for several products in the manufacturing industry. Based on the results, the proposed method improved the performance of Deep SVDD in 11 of the 15 class domains in the MVTec-AD dataset.
#anomaly detection #unsupervised learning #one-class classification #MVTec-AD #Deep SVDD

목차

Abstract
I. 서론
II. 관련 연구
III. 본론
IV. 실험
V. 결론
REFERENCES

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Transformer 기반 운전자 행동 패턴 분석을 통한 실시간 이상행동 탐지 방안에 관한 연구
정다은 ,  황현준 ,  윤수연 한국통신학회 학술대회논문집 2025 .02
산업제어 시스템에서의 머신러닝 및 딥러닝 기반 이상탐지
최현서 ,  염상준 ,  채상미 한국정보통신학회논문지 2025 .02

최근 본 자료

전체보기

댓글(0)

0