arXiv cs.AI· Fadel M. Megahed, Ying-Ju Chen·· 10 小时前AI 评分34
超越 CLIP：用 System One 决策模型实现校准的少样本缺陷检测
Beyond CLIP: Calibrated (Few-Shot) Defect Detection With System One Decision Models
AI 导读
研究评估了 Jev 与 Clef-Flash 两种结构化决策模型在每类仅 k=2 张参考图像时的缺陷检测能力，在五个制造案例中测试准确率分别为 0.75-1.00 和 0.71-0.99，均超过 CLIP 的 0.67-0.84。
正文 · AI 翻译
摘要：相机和视觉传感器被广泛用于制造环境中的产品和过程检测。传统上，这一过程需要数千张合格品和缺陷品的图像来训练此类模型。近期研究表明，视觉 Transformer（ViT）模型（如 CLIP）可将这一需求降低至每个合格类和缺陷类 50-100 张图像。然而，在高良率或小批量制造过程中，即使收集 50 张缺陷图像也可能很困难。本文研究了两种近期提出的结构化决策模型（Jev 和 Clef-Flash）在推理时每类仅使用 k=2 张参考图像的应用中的效用。在此过程中，我们提供三项主要贡献：(a) 一种用于图像分类/检测应用中这些模型的 k-shot 学习框架；(b) 一种智能体方法，用于自动优化引导这些决策模型中图像分类的文本描述；(c) 一种校准所得缺陷概率的方法，以提高其用于检测决策的可靠性。我们在五个制造案例研究中测试了这些贡献。每类使用两张参考图像时，Jev 和 Clef-Flash 的测试准确率均优于使用相同参考图像的 CLIP（0.75-1.00 [Jev] 和 0.71-0.99 [Clef-Flash] 对比 0.67-0.84 [CLIP]）。此外，我们表明，我们对文本描述的智能体优化在 8 个模型-应用组合中的 6 个上显著提高了准确率，我们的校准方法在 15 个模型-应用配置中的 13 个上降低了 Brier 分数。为支持我们工作的可复现性，我们提供了复现代码，并创建了用于评估其他模型的 R“decisions”包。我们还提供了一个公开可用的 Web 应用，使从业者无需编写代码即可检查自己的图像。
| 评论： | 10 页，5 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.41199 [cs.CV] |
| （或 arXiv:2610.41199v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41199 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ying-Ju Chen [查看电子邮件]
[v1]
2026 年 10 月 30 日星期五 03:21:02 UTC（3,633 KB）
来源：arXiv cs.AI · arxiv.org