論文の概要: DDR-ID: Dual Deep Reconstruction Networks Based Image Decomposition for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2007.09431v1
• Date: Sat, 18 Jul 2020 13:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:41:33.429452
• Title: DDR-ID: Dual Deep Reconstruction Networks Based Image Decomposition for Anomaly Detection
• Title（参考訳）: DDR-ID:デュアルディープレコンストラクションネットワークによる異常検出のための画像分解
• Authors: Dongyun Lin, Yiqun Li, Shudong Xie, Tin Lay Nwe, Sheng Dong
• Abstract要約: 画像異常検出(AD)における重要な課題の1つは、通常のクラストレーニングからのみ識別情報を学習することである。 本稿では,DDR-ID(Double Deep Restructed Network based Image decomposition)と呼ばれるAD手法を提案する。 2つの異常スコアを算出し、通常のクラス潜在空間または再構成画像空間における画像の異常度を定量化する。
• 参考スコア（独自算出の注目度）: 2.4589632879498478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One pivot challenge for image anomaly (AD) detection is to learn discriminative information only from normal class training images. Most image reconstruction based AD methods rely on the discriminative capability of reconstruction error. This is heuristic as image reconstruction is unsupervised without incorporating normal-class-specific information. In this paper, we propose an AD method called dual deep reconstruction networks based image decomposition (DDR-ID). The networks are trained by jointly optimizing for three losses: the one-class loss, the latent space constrain loss and the reconstruction loss. After training, DDR-ID can decompose an unseen image into its normal class and the residual components, respectively. Two anomaly scores are calculated to quantify the anomalous degree of the image in either normal class latent space or reconstruction image space. Thereby, anomaly detection can be performed via thresholding the anomaly score. The experiments demonstrate that DDR-ID outperforms multiple related benchmarking methods in image anomaly detection using MNIST, CIFAR-10 and Endosome datasets and adversarial attack detection using GTSRB dataset.
• Abstract（参考訳）: 画像異常検出(AD)における一つの重要な課題は、通常の訓練画像からのみ識別情報を学習することである。 ほとんどの画像再構成に基づくAD法は、再構成誤差の識別能力に依存している。 これは、通常のクラス固有の情報を含まずに画像再構成が監督されないためヒューリスティックである。 本稿では,DDR-ID(Double Deep Restructed Network based Image decomposition)と呼ばれるAD手法を提案する。 ネットワークは、一級損失、潜在空間制約損失、再建損失の3つの損失を共同最適化することで訓練される。 トレーニング後、DDR-IDは、見えない画像を通常クラスと残留コンポーネントに分解することができる。 2つの異常スコアを算出し、通常のクラス潜在空間または再構成画像空間における画像の異常度を定量化する。 これにより、異常スコアのしきい値化により異常検出を行うことができる。 実験により,mnist,cifar-10,endosomeデータセットを用いた画像異常検出とgtsrbデータセットを用いた逆攻撃検出において,ddr-idが複数の関連するベンチマーク手法を上回っていることが示された。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
  拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。 本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-27T13:13:27Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• AnoDFDNet: A Deep Feature Difference Network for Anomaly Detection [6.508649912734565]
  本稿では,畳み込みニューラルネットワークと視覚変換器を用いた高速列車画像の新たな異常検出(AD)手法を提案する。 提案手法は,同じ領域の異なる時間に撮影された2つの画像の異常な差を検出する。
  論文  参考訳（メタデータ） (2022-03-29T02:24:58Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Coherent Reconstruction of Multiple Humans from a Single Image [68.3319089392548]
  本研究では,1枚の画像から多人数の3Dポーズ推定を行う問題に対処する。 この問題のトップダウン設定における典型的な回帰アプローチは、まずすべての人間を検出し、それぞれを独立して再構築する。 我々のゴールは、これらの問題を回避し、現場のすべての人間のコヒーレントな3D再構成を生成するために学習する単一のネットワークをトレーニングすることである。
  論文  参考訳（メタデータ） (2020-06-15T17:51:45Z)

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。