論文の概要: OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning

• arxiv url: http://arxiv.org/abs/2001.06640v2
• Date: Thu, 26 Mar 2020 09:00:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 04:54:58.594812
• Title: OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning
• Title（参考訳）: OIAD: アンタングル学習による一対一画像異常検出
• Authors: Shuo Wang, Tianle Chen, Shangyu Chen, Carsten Rudolph, Surya Nepal, Marthie Grobler
• Abstract要約: クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
• 参考スコア（独自算出の注目度）: 23.48763375455514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection aims to recognize samples with anomalous and unusual patterns with respect to a set of normal data. This is significant for numerous domain applications, such as industrial inspection, medical imaging, and security enforcement. There are two key research challenges associated with existing anomaly detection approaches: (1) many approaches perform well on low-dimensional problems however the performance on high-dimensional instances, such as images, is limited; (2) many approaches often rely on traditional supervised approaches and manual engineering of features, while the topic has not been fully explored yet using modern deep learning approaches, even when the well-label samples are limited. In this paper, we propose a One-for-all Image Anomaly Detection system (OIAD) based on disentangled learning using only clean samples. Our key insight is that the impact of small perturbation on the latent representation can be bounded for normal samples while anomaly images are usually outside such bounded intervals, referred to as structure consistency. We implement this idea and evaluate its performance for anomaly detection. Our experiments with three datasets show that OIAD can detect over $90\%$ of anomalies while maintaining a low false alarm rate. It can also detect suspicious samples from samples labeled as clean, coincided with what humans would deem unusual.
• Abstract（参考訳）: 異常検出は、正常なデータの集合に関して異常なパターンと異常なパターンを持つサンプルを認識することを目的としている。 これは、産業検査、医療画像検査、セキュリティ執行など、多くのドメイン応用において重要である。 既存の異常検出手法には2つの重要な研究課題がある:(1)低次元問題では多くのアプローチがうまく機能するが、画像などの高次元のインスタンスでは性能は限られている; (2) 従来の教師付きアプローチや機能手動技術に頼っていることが多いが、そのトピックは十分に研究されていない。 本稿では,クリーンサンプルのみを用いた異種学習に基づく1対1の画像異常検出システム(oiad)を提案する。 私たちの重要な洞察は、潜在表現に対する小さな摂動の影響は通常のサンプルでは境界づけられるが、異常画像は通常そのような境界された間隔の外側であり、構造的一貫性(structure consistency)と呼ばれる。 我々はこのアイデアを実装し、異常検出の性能を評価する。 3つのデータセットを用いた実験により,oiadは,誤報率の低さを保ちながら,90\%$以上の異常を検出できることが分かった。 また、人間が異常だと判断するのと一致して、クリーンとラベル付けされたサンプルから不審なサンプルを検出することもできる。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• AnoPLe: Few-Shot Anomaly Detection via Bi-directional Prompt Learning with Only Normal Samples [6.260747047974035]
  AnoPLeは、異常を事前に知ることなく、異常検出のために設計されたマルチモーダル・プロンプト学習手法である。 AnoPLe は MVTec-AD と VisA で 94.1% と 86.2% Image AUROC をそれぞれ記録した。
  論文  参考訳（メタデータ） (2024-08-24T08:41:19Z)
• ATAC-Net: Zoomed view works better for Anomaly Detection [1.024113475677323]
  ATAC-Netは、既知の最小限の事前異常から異常を検出する訓練を行うフレームワークである。 我々は、その優位性を、同等の設定で現在の最先端技術と比較する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:32Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Unsupervised Two-Stage Anomaly Detection [18.045265572566276]
  単一の画像からの異常検出は、異常データが常に稀で、予測不能な型を持つ可能性があるため、難しい。 本研究では,高忠実かつ異常のない再構成を生成する2段階アプローチを提案する。 提案手法は,4つの異常検出データセットの最先端性能を上回っている。
  論文  参考訳（メタデータ） (2021-03-22T08:57:27Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。