論文の概要: Modeling the Distribution of Normal Data in Pre-Trained Deep Features
for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2005.14140v2
- Date: Fri, 23 Oct 2020 13:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:18:26.776789
- Title: Modeling the Distribution of Normal Data in Pre-Trained Deep Features
for Anomaly Detection
- Title(参考訳): 異常検出のための事前学習深部特徴量の正規分布のモデル化
- Authors: Oliver Rippel, Patrick Mertens, Dorit Merhof
- Abstract要約: 画像中の異常検出(AD)は、標準からかなり逸脱した画像や画像のサブ構造を特定することを指す。
本研究では,大きな自然画像データセット上での識別モデルにより学習された深い特徴表現が,正規性を記述するのに適していることを示す。
- 参考スコア(独自算出の注目度): 2.9864637081333085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly Detection (AD) in images is a fundamental computer vision problem and
refers to identifying images and image substructures that deviate significantly
from the norm. Popular AD algorithms commonly try to learn a model of normality
from scratch using task specific datasets, but are limited to semi-supervised
approaches employing mostly normal data due to the inaccessibility of anomalies
on a large scale combined with the ambiguous nature of anomaly appearance.
We follow an alternative approach and demonstrate that deep feature
representations learned by discriminative models on large natural image
datasets are well suited to describe normality and detect even subtle anomalies
in a transfer learning setting. Our model of normality is established by
fitting a multivariate Gaussian (MVG) to deep feature representations of
classification networks trained on ImageNet using normal data only. By
subsequently applying the Mahalanobis distance as the anomaly score we
outperform the current state of the art on the public MVTec AD dataset,
achieving an AUROC value of $95.8 \pm 1.2$ (mean $\pm$ SEM) over all 15
classes. We further investigate why the learned representations are
discriminative to the AD task using Principal Component Analysis. We find that
the principal components containing little variance in normal data are the ones
crucial for discriminating between normal and anomalous instances. This gives a
possible explanation to the often sub-par performance of AD approaches trained
from scratch using normal data only. By selectively fitting a MVG to these most
relevant components only, we are able to further reduce model complexity while
retaining AD performance. We also investigate setting the working point by
selecting acceptable False Positive Rate thresholds based on the MVG
assumption.
Code available at https://github.com/ORippler/gaussian-ad-mvtec
- Abstract(参考訳): 画像中の異常検出(AD)は、基本的なコンピュータビジョンの問題であり、画像と画像のサブ構造を識別することを指す。
一般的なADアルゴリズムは、通常、タスク固有のデータセットを使用して、スクラッチから正規性のモデルを学習しようとするが、大きなスケールでの異常の到達不能と、異常な外観の曖昧さを兼ね備えた半教師付きアプローチに限られる。
提案手法は,大きな自然画像データセット上での識別モデルにより学習された深い特徴表現が,正規性を記述し,さらに微妙な異常を検出するのに適していることを示す。
通常のデータのみを用いてImageNet上で訓練された分類ネットワークの特徴表現に多変量ガウス(MVG)を組み込むことにより、正規性のモデルを確立した。
その後、マハラノビス距離を異常スコアとして適用することにより、公開MVTec ADデータセット上での芸術の現在の状態を上回り、AUROC値が9,5.8 \pm 1.2$ (mean $\pm$ SEM) となる。
主成分分析を用いて,学習した表現がadタスクと判別される理由についてさらに検討する。
通常のデータにばらつきがほとんどない主成分は、正常なインスタンスと異常なインスタンスを区別するのに不可欠である。
これは、通常データのみを使用してスクラッチからトレーニングされたADアプローチの、しばしばサブパーパフォーマンスを説明できる。
MVGをこれらの最も関連するコンポーネントのみに選択的に適合させることで、AD性能を維持しながらモデルの複雑さをさらに軽減することができる。
また,mvg仮定に基づいて許容偽陽性率閾値を選択することで作業点の設定を検討する。
コードはhttps://github.com/orippler/gaussian-ad-mvtecで利用可能
関連論文リスト
- GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳(メタデータ) (2024-06-11T17:27:23Z) - 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) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。
InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。
InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
論文 参考訳(メタデータ) (2024-03-11T08:07:46Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Normality Learning-based Graph Anomaly Detection via Multi-Scale
Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。
本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。
特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文 参考訳(メタデータ) (2023-09-12T08:06:04Z) - CRADL: Contrastive Representations for Unsupervised Anomaly Detection
and Localization [2.8659934481869715]
医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。
現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。
コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
論文 参考訳(メタデータ) (2023-01-05T16:07:49Z) - Exposing Outlier Exposure: What Can Be Learned From Few, One, and Zero
Outlier Images [26.283734474660484]
専門的なAD学習手法は、実際には多量かつ膨大なデータのコーパスであることを示す。
我々は,この現象を調査し,一級法がトレーニングアウトリージの特定の選択に対してより堅牢であることを明らかにする。
論文 参考訳(メタデータ) (2022-05-23T17:23:15Z) - 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) - 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) - Understanding Anomaly Detection with Deep Invertible Networks through
Hierarchies of Distributions and Features [4.25227087152716]
畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。
inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。
モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
論文 参考訳(メタデータ) (2020-06-18T20:56:14Z)
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。