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
- 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 [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) - Siamese Transition Masked Autoencoders as Uniform Unsupervised Visual
Anomaly Detector [4.33060257697635]
本稿では,様々な視覚異常検出タスクを均一に処理するための,Samese Transition Masked Autoencoders (ST-MAE) と呼ばれる新しいフレームワークを提案する。
我々の深い特徴遷移スキームは、通常のパターンを抽出する非教師付きセマンティックな自己監督タスクをもたらす。
論文 参考訳(メタデータ) (2022-11-01T09:45:49Z) - 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) - 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) - UN-AVOIDS: Unsupervised and Nonparametric Approach for Visualizing
Outliers and Invariant Detection Scoring [2.578242050187029]
UN-AVOIDS(UN-AVOIDS)は、人間のプロセス)と外れ値の検出(アルゴリズムプロセス)の両方に対して、教師なしかつ非パラメトリックなアプローチである。
近傍累積密度関数(NCDF)として導入した新しい空間にデータを変換する。
AUCに関しては、UN-AVOIDSはほぼ総合的な勝者である。
論文 参考訳(メタデータ) (2021-11-19T02:31:06Z) - 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) - Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。
私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。
さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
論文 参考訳(メタデータ) (2021-03-09T14:26:20Z) - 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。