論文の概要: Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning
- arxiv url: http://arxiv.org/abs/2010.09856v1
- Date: Mon, 19 Oct 2020 20:49:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:00:44.481877
- Title: Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning
- Title(参考訳): 自己教師付きアグリゲーション学習によるx線異常検出
- Authors: Behzad Bozorgtabar, Dwarikanath Mahapatra, Guillaume Vray,
Jean-Philippe Thiran
- Abstract要約: SALADはX線画像の異常検出のためのエンドツーエンドの自己監視手法である。
提案手法は、深層ニューラルネットワークが原型的局所パターンを表現することを奨励する最適化戦略に基づいている。
我々の異常スコアは、メモリバンク内の正常な原型パターンの重み付け組み合わせと類似性を測定することによって導出される。
- 参考スコア(独自算出の注目度): 16.854288765350283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep anomaly detection models using a supervised mode of learning usually
work under a closed set assumption and suffer from overfitting to previously
seen rare anomalies at training, which hinders their applicability in a real
scenario. In addition, obtaining annotations for X-rays is very time consuming
and requires extensive training of radiologists. Hence, training anomaly
detection in a fully unsupervised or self-supervised fashion would be
advantageous, allowing a significant reduction of time spent on the report by
radiologists. In this paper, we present SALAD, an end-to-end deep
self-supervised methodology for anomaly detection on X-Ray images. The proposed
method is based on an optimization strategy in which a deep neural network is
encouraged to represent prototypical local patterns of the normal data in the
embedding space. During training, we record the prototypical patterns of normal
training samples via a memory bank. Our anomaly score is then derived by
measuring similarity to a weighted combination of normal prototypical patterns
within a memory bank without using any anomalous patterns. We present extensive
experiments on the challenging NIH Chest X-rays and MURA dataset, which
indicate that our algorithm improves state-of-the-art methods by a wide margin.
- Abstract(参考訳): 教師付き学習モードを用いた深部異常検出モデルは、通常、閉じた仮定の下で動作し、トレーニングでこれまで見られた稀な異常に過度に適合し、実際のシナリオでの適用性を妨げている。
また、X線アノテーションの取得には非常に時間がかかり、放射線技師の広範な訓練が必要である。
したがって、完全教師なしまたは自己監督的な方法での異常検出の訓練は有利であり、放射線学者による報告に費やされた時間を大幅に短縮することができる。
本稿では,X線画像の異常検出のためのエンドツーエンドの自己監視手法であるSALADを提案する。
提案手法は、深層ニューラルネットワークが埋め込み空間における正規データの原型的局所パターンを表現することを推奨する最適化戦略に基づいている。
トレーニング中、メモリバンクを介して通常のトレーニングサンプルの原型パターンを記録する。
この異常スコアは, 異常パターンを使わずに, メモリバンク内の正常な原型パターンの重み付け組み合わせと類似度を計測することによって得られる。
我々はNIH Chest X-ray と mura データセットの挑戦実験を行い,我々のアルゴリズムが最先端の手法を幅広いマージンで改善することを示す。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
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) - SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。
次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文 参考訳(メタデータ) (2023-06-14T08:55:36Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Diffusion Models for Medical Anomaly Detection [0.8999666725996974]
本稿では,拡散暗黙的モデルに基づく弱教師付き異常検出手法を提案する。
本手法は,複雑な訓練手順を必要とせずに,非常に詳細な異常マップを生成する。
論文 参考訳(メタデータ) (2022-03-08T12:35:07Z) - DR{\AE}M -- A discriminatively trained reconstruction embedding for
surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。
DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。
挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2021-08-17T13:17:29Z) - 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) - Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
監視されたディープネットワークは、放射線学者による多数の注釈を取る。
私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。
本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
論文 参考訳(メタデータ) (2021-02-19T12:32:58Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳(メタデータ) (2020-08-04T07:41:15Z) - Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。
ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。
工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文 参考訳(メタデータ) (2020-06-19T20:41:58Z)
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。