用語
Deep Learning の概念/用語 | 定義 |
---|---|
特徴 |
特徴は、画像内の視覚的に識別できる領域です。一般に、アプリケーションの対象 (欠陥、オブジェクト、オブジェクトの特定のコンポーネント) を表します。 |
特徴のサイズ |
フォーカスモードの分類 (緑) ツール、赤ツール、位置決め (青) ツール、読み取り (青) ツールでのみ使用されます。 |
ラベル付け |
ラベル付けは、「正解 (グランドトゥルース)」の画像に注釈を付けるプロセスです。使用しているツールに応じて、さまざまな形でラベル付けされる場合があります。画像セットにラベルを付ける理由は、ツールの学習に必要な情報を提供するため、および学習済みツールのパフォーマンスを測定してグランドトゥルースに対して検証するためです。 |
マーキング |
画像マーキングは、Deep Learning ツールによって生成される注釈です。ツールによって生成されたマーキングは、ツールが特定の画像を処理したときに取得した「答え」です。同じ画像にユーザが適用したラベルと、ツールによって生成されたマーキングを比較することによって、ツールのパフォーマンスを検証します。ラベルと同様に、生成されるマーキングはツールによって異なります。 |
摂動 |
摂動は、特定の種類のばらつきの影響をシミュレートすることによって、学習済みネットワークでパーツおよび画像のばらつきの許容値を改善するプロセスです。 |
学習画像セット |
特定のアプリケーションの画像のコレクション。学習画像セットは、ランタイムシステムの照明特性、光学的特性、および機械的特性を使用して、一貫した方法で取得された特定のパーツまたはプロセスの画像を表す必要があります。学習画像セットには、通常の操作で予想される範囲の画像外観を表す画像を含める必要があります。 |
検証 |
ラベル付けされたが、ツールの学習に使用されなかった画像に対して、ツールのパフォーマンスを測定するプロセス。 |
エポック数 |
Deep Learning ツールは、サンプリングされた画像データを入力としてネットワークに繰り返し提供し、データを処理し、予想されるグランドトゥルースとその結果を比較した後に、ネットワークの重みを調整してもう一度試すことによって学習します。エポック数は、各入力サンプルがネットワークによって処理される回数です。 |
オーバーフィッティング |
ニューラルネットワークの学習では、ネットワーク全体が画像学習セットからその画像セットのグランドトゥルースラベルに一致する答えを生成するまで、ネットワーク内のノードの重みを繰り返し調整する必要があります。学習のために使用される学習エポック数が多いほど、ネットワークによる学習セット画像への応答が正確になります。ただし、学習量が一定に達すると、それ以降は、学習セットに対するネットワークパフォーマンスの改善に、新しい画像に対するパフォーマンスの低下が伴います。これがオーバーフィッティングです。 |
最小エポック | 最終モデルを選択するための High Detail モードの最小エポック。 |
ペイシェンスエポック | 学習における最終モデルを選択するために、High Detail モードで最小損失値が更新されるまで待機するエポック数。 |
パッチサイズ | 各ビューをいくつかのまとまりに分ける正方形のサイズ。各ビューの学習 (特徴の検出) と処理は、これらのまとまりごとに実行されます。 |
ダウンサンプリングサイズ |
欠陥の確率ヒートマップのダウンサンプリングバージョンを構成するダウンサンプリングの大きさ。 |
ラベル付けエラー |
ラベル付けエラーは、指定したグランドトゥルース情報が不正確な場合に発生します。典型的な例は、OCR の文字のラベル付けを誤った、すべての画像内にある特定の特徴のすべてのインスタンスのラベル付けを誤った、または欠陥領域の範囲のラベル付けに一貫性がないなどです。ラベル付けエラーによって、ツールのパフォーマンスが大幅に低下する可能性があります。 |
ROC |
Receiver Operating Characteristic (ROC: 受信者動作特性) は、特定の学習画像セットに特定の学習パラメータセットを適用したときに示される適合率と再現率の間のトレードオフを視覚化して解析できるグラフィカルツールです。 |
F 値 |
F 値 (または F1 値) は、テストの精度を測定する、適合率得点と再現率得点の間の調和平均です。 |
適合率 |
検出された特徴またはクラスのうち、正しい (ラベル付きクラスまたは特徴に一致する) ものの割合。 |
再現率 |
ツールによって正しく識別されたラベル付き特徴またはクラスの割合。 |
学習割合 |
画像セット内の画像のうち、学習に使用される画像の割合 (パーセンテージ)。画像セットの一部だけを学習に使用すると、学習済みツールのパフォーマンスをこれまでに見たことがない画像で検証できます。 |
サンプリング密度 |
特徴のサイズで表される、画像内のサンプリングポイントのサンプル間の移動量。特徴のサイズが 100 であり、サンプリング密度が 1 の場合、サンプリング位置はサンプル間で 100 ピクセルずつ進みます。サンプリング密度が 4 の場合は、サンプリング位置がサンプル間で 25 ピクセルずつ進みます。 |
ビュー |
画像のビューは、画像内のピクセルの領域です。ツール処理は、そのビュー内のピクセルに限定されます。ビューは手動で指定するか、または上流のツールの結果を使用して作成できます。 |
マスク画像 |
ビューと同じサイズの 2 次元配列のピクセル。マスク画像内のピクセル値によって、ビュー内の対応するピクセルが学習とランタイム処理のどちらに使用されるかが決まります。 |
モデル |
一連の特徴に固有の空間的配置 (位置決め (青) ツールと読み取り (青) ツールのみ)。後処理手順中に、位置決め (青) ツールと読み取り (青) ツールは、そのツール用に定義されたモデルに、画像で検出されたすべての特徴を適合させることができます。モデルの全体的なポーズと ID が返されます。 |