特徴のサンプリング

登録 学習とは、ニューラルネットワークであるツールが、作成したラベルに基づいて特徴 (ピクセル) について学習するプロセスです。たとえば、ツールは、描画した欠陥/正常ラベルに基づいて、各画像の欠陥/正常ピクセルを学習します。ツールへの登録の目標は、初見の画像に欠陥があるかどうかの正しい検査結果を出せるように学習することです。学習の鍵は、学習セット内に発生する可能性のすべてのバリエーションを含め、画像に正確にラベルを付けることです。学習時間は、アプリケーション、ツールのセットアップ、およびネットワークの学習に使用されている PC の GPU によって異なります。中、位置決め (青)、読み取り (青)、および レガシー モードツールは特殊な技術を使用して、ネットワークに追加の情報をもたらす可能性が高いと見なされた画像の部分をより高い割合で選択的にサンプリングします。レガシー モードツールは入力画像を同じ方法でサンプリングしません (ただし画像のサンプリングは画像全体に対応しています)。

登録は、サンプル領域内の情報と、サンプル領域の周囲からのコンテキスト情報の両方を使用して実行されるため、画像のエッジで収集されるサンプルは、ツールに大きな影響を与える場合があります。画像内のビュー 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。を使用する場合、ビューのエッジで収集されるサンプルのコンテキスト情報では、ビューの外側にあるピクセルもコンテキストデータを取得するために使用されます。

1	特徴のサイズ ユーザが感じた主観的な画像の特徴のサイズは、画像コンテンツの解析にとって最も重要です。特徴のサイズによって、サンプリングに使用される画像領域のサイズが決まります。位置決め (青)、読み取り (青)、および レガシー タイプのツールでのみ使用されます。
2	サンプル領域
3	コンテキスト領域

サンプルが画像自体のエッジにある場合、ツールではコンテキストとして使用する合成ピクセルを生成します。この生成に使用される具体的な方法は、マスク、境界、サンプルカラーチャネルなど、[境界線タイプ] および [カラー] パラメータを使用して制御できます。

マスクを使用することによって、画像の一部を登録から除外することができます。ただし、[マスキングモード] パラメータの設定によっては、マスクされた領域もコンテキストとして考慮されます。

最後に、カラー画像 (または複数の面またはチャネルを含んでいる画像) を使用している場合は、どのチャネルをサンプリングするかを指定できます。複数のチャネルを使用すると、登録または処理時間に若干の影響が及びますが、色が重要な情報を提供するような場合にツールの精度が向上します。

ランタイム時の特徴のサンプリング

各入力画像はランタイム時に徹底的にサンプリングされ、その後個々のサンプルが登録済みネットワークによって処理されます。登録に使用されるものと同じ特徴のサイズがランタイム時にも使用されます (登録に使用された入力と一貫した入力を登録済みネットワークが処理するようにするため)。

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。が自動的に決定される登録とは異なり、ランタイム時のすべての Deep Learning ツールに対するサンプリング密度は制御が可能です。サンプリング密度は隣接するサンプル間の重なり度合いを決定します。1 のサンプリング密度レートは、サンプリング位置がサンプル間の特徴のサイズによって増分されることを意味します。ほとんどのツールのデフォルトのサンプリング密度レートは 3 です。これは、サンプリング位置が特徴のサイズの 3 分の 1 で増分されることを意味します。

サンプリング密度 = 1 (4 つのサンプル)	サンプリング密度 = 3 (4 つのサンプル)