論文の概要: PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation

• arxiv url: http://arxiv.org/abs/2010.05903v3
• Date: Thu, 12 Aug 2021 16:53:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 06:14:34.674676
• Title: PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation
• Title（参考訳）: PANDA: 異常検出とセグメンテーションのための事前訓練された機能適応
• Authors: Tal Reiss, Niv Cohen, Liron Bergman and Yedid Hoshen
• Abstract要約: 本研究では,事前学習した特徴と単純な異常検出と分割法を組み合わせることで,最先端の手法を確実に上回ることを示す。 さらなる性能向上を得るために,事前学習した特徴を目標分布に適応させる。
• 参考スコア（独自算出の注目度）: 34.98371632913735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection methods require high-quality features. In recent years, the anomaly detection community has attempted to obtain better features using advances in deep self-supervised feature learning. Surprisingly, a very promising direction, using pretrained deep features, has been mostly overlooked. In this paper, we first empirically establish the perhaps expected, but unreported result, that combining pretrained features with simple anomaly detection and segmentation methods convincingly outperforms, much more complex, state-of-the-art methods. In order to obtain further performance gains in anomaly detection, we adapt pretrained features to the target distribution. Although transfer learning methods are well established in multi-class classification problems, the one-class classification (OCC) setting is not as well explored. It turns out that naive adaptation methods, which typically work well in supervised learning, often result in catastrophic collapse (feature deterioration) and reduce performance in OCC settings. A popular OCC method, DeepSVDD, advocates using specialized architectures, but this limits the adaptation performance gain. We propose two methods for combating collapse: i) a variant of early stopping that dynamically learns the stopping iteration ii) elastic regularization inspired by continual learning. Our method, PANDA, outperforms the state-of-the-art in the OCC, outlier exposure and anomaly segmentation settings by large margins.
• Abstract（参考訳）: 異常検出法は高品質な特徴を必要とする。 近年、異常検出コミュニティは、自己監督型機能学習の進歩を利用して、より良い特徴を得ようとしている。 驚いたことに、事前訓練された深い機能を使って、非常に有望な方向を見落としている。 本稿では,事前訓練された特徴と単純な異常検出とセグメンテーション手法を組み合わせることで,より複雑で最先端の手法を説得力に勝ることを示す。 異常検出におけるさらなる性能向上を得るために,事前学習した特徴を目標分布に適用する。 移動学習法は多クラス分類問題においてよく確立されているが,一クラス分類(OCC)設定はよく研究されていない。 一般に教師あり学習においてうまく機能するナイーブ適応法は、しばしば破滅的な崩壊(機能劣化)を引き起こし、OCC設定のパフォーマンスを低下させる。 一般的なOCC手法であるDeepSVDDは、特殊アーキテクチャの使用を提唱するが、適応性能の向上は制限される。 崩壊と戦うための2つの方法を提案する。 一 停止反復を動的に学習する早期停止の変種 二 連続学習に触発された弾性規則化 PANDA法は,OCCにおける最先端技術,外周露光,異常セグメンテーション設定を大きなマージンで上回っている。

関連論文リスト

• Adaptive Label Smoothing for Out-of-Distribution Detection [1.5999407512883508]
  適応ラベル平滑化(ALS)と呼ばれる新しい正規化手法を提案する。 ALSは非真のクラスを同じ確率にプッシュするが、最大確率は固定でも制限でもない。 私たちのコードは一般に公開されます。
  論文  参考訳（メタデータ） (2024-10-08T15:35:11Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
  Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。 本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-10T00:17:07Z)
• FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
  Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。 第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。 凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
  論文  参考訳（メタデータ） (2023-09-25T11:54:33Z)
• Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption [11.135527192198092]
  異常検出は、予め確立された正常性から著しく逸脱した新しいサンプルを認識するタスクである。 ディープオートエンコーダ(AE)は、異常検出タスクとして広く使用されているが、ヌルID関数への過度な適合に悩まされている。 本稿では,適応学習連続雑音(ALCN)を効率よく生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T22:59:20Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Incremental Learning from Low-labelled Stream Data in Open-Set Video Face Recognition [0.0]
  本稿では,深層機能エンコーダとSVMのオープンセット動的アンサンブルを組み合わせた新しいインクリメンタル学習手法を提案する。 本手法は,教師なしの操作データを用いて認識性を向上させる。 結果は、非適応状態の方法に対する最大15%のF1スコア増加の利点を示しています。
  論文  参考訳（メタデータ） (2020-12-17T13:28:13Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。