Fugu-MT 論文翻訳(概要): Image Anomaly Detection by Aggregating Deep Pyramidal Representations

論文の概要: Image Anomaly Detection by Aggregating Deep Pyramidal Representations

arxiv url: http://arxiv.org/abs/2011.06288v1
Date: Thu, 12 Nov 2020 09:58:27 GMT
ステータス: 処理完了
システム内更新日: 2022-09-26 06:21:58.618703
Title: Image Anomaly Detection by Aggregating Deep Pyramidal Representations
Title（参考訳）: 深部ピラミッド表現の集約による画像異常検出
Authors: Pankaj Mishra, Claudio Piciarelli, Gian Luca Foresti
Abstract要約: 異常検出は、データセット内で、ほとんどのデータと大きく異なるサンプルを特定することで構成される。本稿では,複数のピラミッドレベルを持つ深層ニューラルネットワークを用いた画像異常検出に着目し,画像特徴を異なるスケールで解析する。
参考スコア（独自算出の注目度）: 16.246831343527052
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Anomaly detection consists in identifying, within a dataset, those samples that significantly differ from the majority of the data, representing the normal class. It has many practical applications, e.g. ranging from defective product detection in industrial systems to medical imaging. This paper focuses on image anomaly detection using a deep neural network with multiple pyramid levels to analyze the image features at different scales. We propose a network based on encoding-decoding scheme, using a standard convolutional autoencoders, trained on normal data only in order to build a model of normality. Anomalies can be detected by the inability of the network to reconstruct its input. Experimental results show a good accuracy on MNIST, FMNIST and the recent MVTec Anomaly Detection dataset
Abstract（参考訳）: 異常検出は、データセット内で、通常クラスを表すデータの大部分と著しく異なるサンプルを識別することで構成される。工業システムにおける欠陥製品検出から医用イメージングまで、多くの実用的応用がある。本稿では,複数のピラミッドレベルを持つ深層ニューラルネットワークを用いた画像異常検出に着目し,画像特徴を異なるスケールで解析する。本稿では,標準畳み込みオートエンコーダを用いた符号化復号方式に基づくネットワークを提案する。ネットワークが入力を再構築できないことで異常を検出することができる。 MNIST,FMNISTおよび最近のMVTec異常検出データセットの精度が良好であることを示す実験結果

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)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
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)
Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection [8.35780131268962]
学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
論文参考訳（メタデータ） (2022-10-14T05:57:50Z)
Anomaly Detection using Generative Models and Sum-Product Networks in Mammography Scans [2.2515303891664358]
自動エンコーダと生成逆数ネットワークは、標準的な異常検出方法である。生成モデルとグラフィカルモデルの新しい組み合わせを提案する。医療データに対する異常検出におけるスタンドアロンモデルと最先端モデルの利用よりも優れた性能を観察する。
論文参考訳（メタデータ） (2022-10-12T13:18:16Z)
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)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Anomaly Detection in Image Datasets Using Convolutional Neural Networks, Center Loss, and Mahalanobis Distance [0.0]
ユーザーアクティビティは、品質や無関係な画像やデータベクターのかなりの数を生成します。ニューラルネットワークの場合、異常は通常分布外サンプルとして定義される。本研究では,画像データセットにおける非分布サンプルの監督的および半監督的検出手法を提案する。
論文参考訳（メタデータ） (2021-04-13T13:44:03Z)
MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection [2.2276675054266395]
画像の異常は、カーペットの上の小さな穴から大きな汚れまで、様々なスケールで発生する。広く使われている異常検出方法の1つであるスパースコーディング(sparse coding)は、画像のスパース表現に使用されるパッチサイズから外れた異常を扱う際に問題となる。本稿では,マルチスケール機能をスパース符号化に取り入れ,異常検出の性能を向上させることを提案する。
論文参考訳（メタデータ） (2021-04-09T10:20:34Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-23T18:45:55Z)

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。