Fugu-MT 論文翻訳(概要): Unsupervised Two-Stage Anomaly Detection

論文の概要: Unsupervised Two-Stage Anomaly Detection

arxiv url: http://arxiv.org/abs/2103.11671v1
Date: Mon, 22 Mar 2021 08:57:27 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 14:29:19.471019
Title: Unsupervised Two-Stage Anomaly Detection
Title（参考訳）: 教師なし二段異常検出
Authors: Yunfei Liu, Chaoqun Zhuang, Feng Lu
Abstract要約: 単一の画像からの異常検出は、異常データが常に稀で、予測不能な型を持つ可能性があるため、難しい。本研究では,高忠実かつ異常のない再構成を生成する2段階アプローチを提案する。提案手法は,4つの異常検出データセットの最先端性能を上回っている。
参考スコア（独自算出の注目度）: 18.045265572566276
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection from a single image is challenging since anomaly data is always rare and can be with highly unpredictable types. With only anomaly-free data available, most existing methods train an AutoEncoder to reconstruct the input image and find the difference between the input and output to identify the anomalous region. However, such methods face a potential problem - a coarse reconstruction generates extra image differences while a high-fidelity one may draw in the anomaly. In this paper, we solve this contradiction by proposing a two-stage approach, which generates high-fidelity yet anomaly-free reconstructions. Our Unsupervised Two-stage Anomaly Detection (UTAD) relies on two technical components, namely the Impression Extractor (IE-Net) and the Expert-Net. The IE-Net and Expert-Net accomplish the two-stage anomaly-free image reconstruction task while they also generate intuitive intermediate results, making the whole UTAD interpretable. Extensive experiments show that our method outperforms state-of-the-arts on four anomaly detection datasets with different types of real-world objects and textures.
Abstract（参考訳）: 単一の画像からの異常検出は、常に稀であり、予測不能な型を持つ可能性があるため、難しい。異常のないデータしか利用できないため、既存の手法ではオートエンコーダを訓練して入力画像を再構成し、入力と出力の差を見つけ、異常領域を特定する。しかし、そのような手法は潜在的な問題に直面し、粗い再構成は余分な画像の違いを発生させる一方、高忠実度は異常に引き起こす可能性がある。本稿では, この矛盾を解決するために, 2段階のアプローチを提案する。我々のunsupervised Two-stage Anomaly Detection (UTAD)は、Impression Extractor (IE-Net)とExpert-Netという2つの技術コンポーネントに依存している。 ie-netとexpert-netは、2段階の異常のない画像再構成タスクを実行し、直感的な中間結果を生成する。大規模実験により,実世界の物体やテクスチャの異なる4種類の異常検出データセットにおいて,本手法が最先端を上回っていることが示された。

関連論文リスト

AnoPLe: Few-Shot Anomaly Detection via Bi-directional Prompt Learning with Only Normal Samples [6.260747047974035]
AnoPLeは、異常を事前に知ることなく、異常検出のために設計されたマルチモーダル・プロンプト学習手法である。 AnoPLe は MVTec-AD と VisA で 94.1% と 86.2% Image AUROC をそれぞれ記録した。
論文参考訳（メタデータ） (2024-08-24T08:41:19Z)
DualAnoDiff: Dual-Interrelated Diffusion Model for Few-Shot Anomaly Image Generation [40.257604426546216]
製造業における異常検査の性能は異常データの不足によって制約される。既存の異常発生法は、生成した異常の多様性が限られている。本稿では,新しい拡散型少数ショット画像生成モデルであるDualAnoDiffを提案する。
論文参考訳（メタデータ） (2024-08-24T08:09:32Z)
GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文参考訳（メタデータ） (2024-07-17T09:27:41Z)
A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2024-05-15T07:20:27Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
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)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
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)
Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
論文参考訳（メタデータ） (2022-03-30T11:44:56Z)
Multi-Perspective Anomaly Detection [3.3511723893430476]
我々は,ディープサポートベクトルデータ記述アルゴリズムを構築し,マルチパースペクティブな異常検出に対処する。我々は、少ない一級データを扱うために、デノナイジングプロセスで異なる拡張手法を採用する。 2つの異なる視点からの画像を用いて新しいダイスデータセットのアプローチを評価し、標準MNISTデータセットのベンチマークを行った。
論文参考訳（メタデータ） (2021-05-20T17:07:36Z)
OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文参考訳（メタデータ） (2020-01-18T09:57:37Z)

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。