論文の概要: Energy-Based Anomaly Detection and Localization
- arxiv url: http://arxiv.org/abs/2105.03270v1
- Date: Fri, 7 May 2021 13:49:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:24:13.790489
- Title: Energy-Based Anomaly Detection and Localization
- Title(参考訳): エネルギーに基づく異常検出と局在化
- Authors: Ergin Utku Genc, Nilesh Ahuja, Ibrahima J Ndiour, Omesh Tickoo
- Abstract要約: 本稿では,視覚異常検出と局所化問題の統一解への最初の進歩を概観する。
エネルギーベースモデル(EBM)からの密度推定を、異常画像から正常画像を識別するために使用できる正常スコアとして採用します。
空間的局所化に加えて,グラデーションマップの簡易な処理により,新たな正規性スコアが得られることを示した。
- 参考スコア(独自算出の注目度): 6.423239719448169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This brief sketches initial progress towards a unified energy-based solution
for the semi-supervised visual anomaly detection and localization problem. In
this setup, we have access to only anomaly-free training data and want to
detect and identify anomalies of an arbitrary nature on test data. We employ
the density estimates from the energy-based model (EBM) as normalcy scores that
can be used to discriminate normal images from anomalous ones. Further, we
back-propagate the gradients of the energy score with respect to the image in
order to generate a gradient map that provides pixel-level spatial localization
of the anomalies in the image. In addition to the spatial localization, we show
that simple processing of the gradient map can also provide alternative
normalcy scores that either match or surpass the detection performance obtained
with the energy value. To quantitatively validate the performance of the
proposed method, we conduct experiments on the MVTec industrial dataset. Though
still preliminary, our results are very promising and reveal the potential of
EBMs for simultaneously detecting and localizing unforeseen anomalies in
images.
- Abstract(参考訳): 半教師付き視覚異常検出と局所化問題に対するエネルギーベース解への最初の進歩を概観する。
この設定では、異常のないトレーニングデータのみにアクセスでき、テストデータ上で任意の性質の異常を検出し、識別したいと考えています。
我々は、エネルギーベースモデル(ebm)からの密度推定を正規画像と異常画像の判別に使用できる正規性スコアとして採用する。
さらに,画像内の異常点の画素レベルの空間的局在を提供する勾配マップを生成するために,画像に対するエネルギースコアの勾配を逆伝搬する。
また, 空間的局所化に加えて, 勾配マップの簡易な処理により, エネルギー値で得られた検出性能に匹敵する, 代替正規性スコアが得られることを示した。
提案手法の性能を定量的に検証するため,MVTec産業データセットを用いて実験を行った。
画像中の予期せぬ異常を同時に検出し,局所化するebmの可能性を明らかにする。
関連論文リスト
- GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳(メタデータ) (2024-06-11T17:27:23Z) - Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。
SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。
3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文 参考訳(メタデータ) (2024-05-21T15:41:34Z) - 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) - 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) - 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) - FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。
本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。
高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
論文 参考訳(メタデータ) (2022-11-23T01:03:20Z) - PNI : Industrial Anomaly Detection using Position and Neighborhood
Information [6.316693022958221]
本研究では,条件付き近傍特徴量を用いて正規分布を推定する新しいアルゴリズム textbfPNI を提案する。
我々はMVTec ADベンチマークデータセットの実験を行い、異常検出と局所化におけるtextbf99.56%と textbf98.98%のAUROCスコアを用いて最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2022-11-22T23:45:27Z) - DR{\AE}M -- A discriminatively trained reconstruction embedding for
surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。
DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。
挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2021-08-17T13:17:29Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Unsupervised anomaly localization using VAE and beta-VAE [0.39901365062418304]
変分自動エンコーダ(VAE)はデータ分散の教師なし学習において大きな可能性を示している。
通常の画像に基づいてトレーニングされたVAEは、通常の画像のみを再構成することができ、画像内の異常画素の局所化を可能にすることが期待されている。
本稿では、医用画像におけるエネルギーベース投影は、自然画像ほど有用ではないと論じる。
論文 参考訳(メタデータ) (2020-05-19T21:58:59Z)
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。