.png){kind=icon}
返回
A Tactile-Driven Multiple Instance Learning Framework for Automated Industrial Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-2098-5_20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业自动化的迅速发展凸显了准确检测以提升效率、保证产品质量和降低人工成本的需求。连接器对接和抓取稳定性等任务高度依赖对触觉力轮廓时间序列的分析，但这些数据因复杂的非平稳时序动态、微妙的信号变化以及标注数据获取成本高而难以建模。这些因素限制了传统监督方法的有效性，使得在有限标注下构建可靠模型具有挑战性。为解决此问题，我们提出了一种基于触觉驱动的多实例学习（Tacti-MIL）方法，这是一种轻量级深度学习框架，集成了多尺度卷积骨干网络进行时序特征提取，并采用了基于Transformer的MIL模块。该设计能够高效聚合时序模式，即使在小数据集下也能保持稳健性能。大量评估表明，所提出的Tacti-MIL方法优于基线模型，为工业检测提供了检测精度与计算效率之间的良好平衡。
Keyword:
industrial automation
industrial detection
deep learning
tactile sensing
期刊
I
IF:
0
论文数:
45
被引数:
0
机构
引用论文
DTW-D.png)
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏TodyNet: Temporal dynamic graph neural network for multivariate time series classificationTodyNet：用于多变量时间序列分类的时序动态图神经网络
OAAI
OAAI分享收藏分享收藏Set-Membership-Based Fault Detection and Isolation for Robotic Assembly of Electrical Connectors
PREAI
分享收藏Dual Autoencoder-Based Joint Learning: Enhancing Depth Classification of Hard Inclusions in Soft Tissue for Robotic Palpation基于双自动编码器的联合学习：提升机器人触诊中软组织中难触诊包含物的深度分类
PREAI
分享收藏
分享收藏
查看更多内容