論文の概要: CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization
- arxiv url: http://arxiv.org/abs/2104.04015v1
- Date: Thu, 8 Apr 2021 19:04:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 00:27:40.126687
- Title: CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization
- Title(参考訳): CutPaste: 異常検出とローカライゼーションのための自己監視型学習
- Authors: Chun-Liang Li, Kihyuk Sohn, Jinsung Yoon, Tomas Pfister
- Abstract要約: 通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
- 参考スコア(独自算出の注目度): 59.719925639875036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We aim at constructing a high performance model for defect detection that
detects unknown anomalous patterns of an image without anomalous data. To this
end, we propose a two-stage framework for building anomaly detectors using
normal training data only. We first learn self-supervised deep representations
and then build a generative one-class classifier on learned representations. We
learn representations by classifying normal data from the CutPaste, a simple
data augmentation strategy that cuts an image patch and pastes at a random
location of a large image. Our empirical study on MVTec anomaly detection
dataset demonstrates the proposed algorithm is general to be able to detect
various types of real-world defects. We bring the improvement upon previous
arts by 3.1 AUCs when learning representations from scratch. By transfer
learning on pretrained representations on ImageNet, we achieve a new
state-of-theart 96.6 AUC. Lastly, we extend the framework to learn and extract
representations from patches to allow localizing defective areas without
annotations during training.
- Abstract(参考訳): 画像の未知の異常パターンを異常データなしで検出する欠陥検出のための高性能モデルの構築を目指す。
そこで本研究では,正規トレーニングデータのみを用いた異常検出のための2段階フレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現に基づいて生成的な一クラス分類器を構築する。
我々は、画像パッチをカットし、大きな画像のランダムな位置でペーストする単純なデータ拡張戦略であるCutPasteから正規データを分類することで表現を学習する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
我々は,スクラッチから表現を学習する場合に,従来の3.1 AUCによる改善をもたらす。
ImageNet上で事前訓練された表現の転送学習により、新しい最先端の96.6 AUCを実現する。
最後に、パッチから表現を学習し抽出するためにフレームワークを拡張し、トレーニング中にアノテーションなしで欠陥領域をローカライズできるようにします。
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) - Masked Transformer for image Anomaly Localization [14.455765147827345]
パッチマスキングを用いたビジョントランスフォーマーアーキテクチャに基づく画像異常検出のための新しいモデルを提案する。
マルチレゾリューションパッチとその集合埋め込みは,モデルの性能を大幅に向上させることを示す。
提案モデルはMVTecや頭部CTなどの一般的な異常検出データセットでテストされている。
論文 参考訳(メタデータ) (2022-10-27T15:30:48Z) - Unsupervised Industrial Anomaly Detection via Pattern Generative and
Contrastive Networks [8.476686092919596]
本稿では,視覚変換器を用いた教師なし異常検出ネットワークを提案する。
階層的なタスク学習と人間の経験を利用して、その解釈可能性を高めます。
従来の最先端手法を超越した99.8%のAUCを実現した。
論文 参考訳(メタデータ) (2022-07-20T10:09:53Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
本稿では,学習中に識別情報を利用する自己指導型学習システムを導入するが,通常の例のデータ多様体に焦点をあてる。
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) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - AnoViT: Unsupervised Anomaly Detection and Localization with Vision
Transformer-based Encoder-Decoder [3.31490164885582]
我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。
提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-03-21T09:01:37Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳(メタデータ) (2021-11-17T13:30:31Z) - Y-GAN: Learning Dual Data Representations for Efficient Anomaly
Detection [0.0]
本稿では,Y-GANと呼ばれる新しい再構成モデルを提案する。
モデルはY字型のオートエンコーダで構成され、2つの別々の潜在空間の画像を表現している。
論文 参考訳(メタデータ) (2021-09-28T20:17:04Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳(メタデータ) (2021-02-16T17:58:57Z)
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。