論文の概要: TrustMAE: A Noise-Resilient Defect Classification Framework using Memory-Augmented Auto-Encoders with Trust Regions

• arxiv url: http://arxiv.org/abs/2012.14629v1
• Date: Tue, 29 Dec 2020 06:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:36:36.519504
• Title: TrustMAE: A Noise-Resilient Defect Classification Framework using Memory-Augmented Auto-Encoders with Trust Regions
• Title（参考訳）: TrustMAE: 信頼領域を持つメモリ拡張オートエンコーダを用いた耐雑音性欠陥分類フレームワーク
• Authors: Daniel Stanley Tan, Yi-Chun Chen, Trista Pei-Chun Chen, Wei-Chao Chen
• Abstract要約: 製品の欠陥分類の問題に対処するため,TrustMAEというフレームワークを提案する。 ほとんどの異常検出方法とは異なり、私たちのアプローチはノイズに対して堅牢です。
• 参考スコア（独自算出の注目度）: 7.204296930231408
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose a framework called TrustMAE to address the problem of product defect classification. Instead of relying on defective images that are difficult to collect and laborious to label, our framework can accept datasets with unlabeled images. Moreover, unlike most anomaly detection methods, our approach is robust against noises, or defective images, in the training dataset. Our framework uses a memory-augmented auto-encoder with a sparse memory addressing scheme to avoid over-generalizing the auto-encoder, and a novel trust-region memory updating scheme to keep the noises away from the memory slots. The result is a framework that can reconstruct defect-free images and identify the defective regions using a perceptual distance network. When compared against various state-of-the-art baselines, our approach performs competitively under noise-free MVTec datasets. More importantly, it remains effective at a noise level up to 40% while significantly outperforming other baselines.
• Abstract（参考訳）: 本稿では,製品欠陥分類の問題に対処するために,trustmae というフレームワークを提案する。 収集が難しくラベル付けに手間がかかる欠陥画像に頼る代わりに、私たちのフレームワークはラベルなしの画像でデータセットを受け付けることができます。 さらに,多くの異常検出手法とは異なり,学習データセットにおける雑音や欠陥画像に対して頑健な手法である。 提案手法では,自動エンコーダの過大な一般化を回避するため,スパースメモリアドレッシングスキームを備えたメモリ提供型オートエンコーダと,ノイズをメモリスロットから遠ざけるための新たな信頼領域メモリ更新スキームを用いる。 その結果、欠陥のない画像を再構成し、知覚距離ネットワークを用いて欠陥領域を識別できるフレームワークが得られた。 様々な最先端のベースラインと比較した場合,本手法はノイズフリーMVTecデータセットの下で競合的に動作する。 さらに重要なのは、ノイズレベルが40%まで向上する一方で、他のベースラインを著しく上回ることだ。

関連論文リスト

• SSP-RACL: Classification of Noisy Fundus Images with Self-Supervised Pretraining and Robust Adaptive Credal Loss [3.8739860035485143]
  基礎画像分類はコンピュータの診断タスクにおいて重要であるが、ラベルノイズはディープニューラルネットワークの性能を著しく損なう。 本稿では,ロバスト適応クレダルロス (SSP-RACL) を用いた自己監督型事前訓練(Self-Supervised Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T02:41:58Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
  本稿では,行関連の画像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。 提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。 本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
  論文  参考訳（メタデータ） (2023-10-11T20:48:20Z)
• RobustCLEVR: A Benchmark and Framework for Evaluating Robustness in Object-centric Learning [9.308581290987783]
  本稿では,RobustCLEVRベンチマークデータセットと評価フレームワークを提案する。 我々のフレームワークは、因果依存性の仕様化を可能にすることによって、ロバスト性を評価するための新しいアプローチを採っている。 全体として、オブジェクト中心の手法は本質的に画像の破損に対して堅牢ではないことが分かる。
  論文  参考訳（メタデータ） (2023-08-28T20:52:18Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Anomaly Detection with Conditioned Denoising Diffusion Models [32.37548329437798]
  対象画像に条件付けされた画像再構成のための新しいデノナイズプロセスであるDAD(Denoising Diffusion Anomaly Detection)を導入する。 我々の異常検出フレームワークは条件付け機構を用いており、ターゲット画像が入力画像として設定され、復調過程を導出する。 DDADは、それぞれ(99.8%)および(98.9%)画像レベルのAUROCの最先端結果を達成する。
  論文  参考訳（メタデータ） (2023-05-25T11:54:58Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Improved anomaly detection by training an autoencoder with skip connections on images corrupted with Stain-shaped noise [25.85927871251385]
  異常検出は 復元の残留か もしくは 復元の不確実性に依存する 我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。 このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
  論文  参考訳（メタデータ） (2020-08-29T13:50:49Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。