論文の概要: Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation
- arxiv url: http://arxiv.org/abs/2103.16851v1
- Date: Wed, 31 Mar 2021 07:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 01:32:04.497661
- Title: Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation
- Title(参考訳): ハードオーメンテーションを用いたアテンションマップ誘導二段階異常検出
- Authors: Jou Won Song, Kyeongbo Kong, Ye In Park, Suk-Ju Kang
- Abstract要約: 異常検出は、入力されたサンプルがターゲットの正規クラスまたは異常クラスの分布に含まれるかどうかを認識するタスクです。
本稿では,注目ネットワークと異常検出GANからなる新しい2段階ネットワークを提案する。
- 参考スコア(独自算出の注目度): 12.272975892517039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection is a task that recognizes whether an input sample is
included in the distribution of a target normal class or an anomaly class.
Conventional generative adversarial network (GAN)-based methods utilize an
entire image including foreground and background as an input. However, in these
methods, a useless region unrelated to the normal class (e.g., unrelated
background) is learned as normal class distribution, thereby leading to false
detection. To alleviate this problem, this paper proposes a novel two-stage
network consisting of an attention network and an anomaly detection GAN
(ADGAN). The attention network generates an attention map that can indicate the
region representing the normal class distribution. To generate an accurate
attention map, we propose the attention loss and the adversarial anomaly loss
based on synthetic anomaly samples generated from hard augmentation. By
applying the attention map to an image feature map, ADGAN learns the normal
class distribution from which the useless region is removed, and it is possible
to greatly reduce the problem difficulty of the anomaly detection task.
Additionally, the estimated attention map can be used for anomaly segmentation
because it can distinguish between normal and anomaly regions. As a result, the
proposed method outperforms the state-of-the-art anomaly detection and anomaly
segmentation methods for widely used datasets.
- Abstract(参考訳): 異常検出は、入力サンプルが対象の正規クラスや異常クラスの分布に含まれるかどうかを認識するタスクである。
従来のgenerative adversarial network(gan)ベースの方法は、前景と背景を含む画像全体を入力として利用する。
しかし、これらの手法では、通常のクラス(例えば、無関係な背景)とは無関係な領域が正規クラス分布として学習され、偽検出につながる。
そこで本研究では,注意ネットワークと異常検出GAN(ADGAN)からなる2段階ネットワークを提案する。
注意ネットワークは、正常なクラス分布を表す領域を示すアテンションマップを生成する。
注意マップを高精度に作成するために, 硬度増大による合成異常サンプルに基づいて, 注意損失と対向異常損失を提案する。
画像特徴マップに注意マップを適用することで、adganは、役に立たない領域を取り除いた正規クラス分布を学習し、異常検出タスクの課題難易度を大幅に低減することができる。
さらに,異常領域と異常領域を区別できるため,アテンションマップを異常セグメント化に利用することができる。
その結果、提案手法は、広く使われているデータセットに対する最先端の異常検出および異常セグメンテーション方法よりも優れている。
関連論文リスト
- CRADL: Contrastive Representations for Unsupervised Anomaly Detection
and Localization [2.8659934481869715]
医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。
現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。
コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
論文 参考訳(メタデータ) (2023-01-05T16:07:49Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳(メタデータ) (2022-11-28T12:17:40Z) - 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) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning [11.234583962952891]
本稿では、自己教師付き学習を用いて、正確な異常マップを直接生成できる新しい異常分割ネットワーク(AnoSeg)を提案する。
高精度な異常セグメンテーションのために提案されたAnoSegは、3つの新しい手法を考察している。
実験の結果,提案手法はMVTec ADデータセットに対して,最先端の異常検出および異常セグメンテーション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) (2021-10-07T12:36:36Z) - 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) - Anomaly Detection via Self-organizing Map [52.542991004752]
製品品質管理のための工業生産において,異常検出が重要な役割を担っている。
従来の異常検出方法は、限定的な一般化能力を持つルールベースである。
教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
論文 参考訳(メタデータ) (2021-07-21T06:56:57Z)
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。