論文の概要: AnomalyHop: An SSL-based Image Anomaly Localization Method
- arxiv url: http://arxiv.org/abs/2105.03797v1
- Date: Sat, 8 May 2021 23:17:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 15:21:15.791730
- Title: AnomalyHop: An SSL-based Image Anomaly Localization Method
- Title(参考訳): AnomalyHop:SSLベースの画像異常ローカライゼーション方法
- Authors: Kaitai Zhang, Bin Wang, Wei Wang, Fahad Sohrab, Moncef Gabbouj and
C.-C. Jay Kuo
- Abstract要約: AnomalyHopは、連続したサブスペース学習(SSL)フレームワークに基づく画像異常局在化方法です。
AnomalyHopは数学的に透明で、トレーニングが簡単で、推論速度が速くなります。
MVTec ADデータセットにおけるROC曲線(ROC-AUC)パフォーマンスの領域は95.9%であり、いくつかのベンチマーク方法の中で最も優れている。
- 参考スコア(独自算出の注目度): 47.56319291471639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An image anomaly localization method based on the successive subspace
learning (SSL) framework, called AnomalyHop, is proposed in this work.
AnomalyHop consists of three modules: 1) feature extraction via successive
subspace learning (SSL), 2) normality feature distributions modeling via
Gaussian models, and 3) anomaly map generation and fusion. Comparing with
state-of-the-art image anomaly localization methods based on deep neural
networks (DNNs), AnomalyHop is mathematically transparent, easy to train, and
fast in its inference speed. Besides, its area under the ROC curve (ROC-AUC)
performance on the MVTec AD dataset is 95.9%, which is among the best of
several benchmarking methods. Our codes are publicly available at Github.
- Abstract(参考訳): 本研究では,AnomalyHopと呼ばれる連続的なサブスペース学習(SSL)フレームワークに基づく画像異常ローカライズ手法を提案する。
anomalyhop は,1) 連続部分空間学習(ssl)による特徴抽出,2) ガウスモデルによる正規性特徴分布モデリング,3) 異常マップ生成と融合の3つのモジュールで構成される。
ディープニューラルネットワーク(DNN)に基づく最先端の画像異常ローカライゼーション手法と比較して、AnomalyHopは数学的に透明で、訓練が容易で、推論速度が速い。
さらに、MVTec ADデータセットのROC曲線(ROC-AUC)の領域は95.9%であり、これはいくつかのベンチマーク手法の中でも最高のものである。
私たちのコードはgithubで公開されている。
関連論文リスト
- CALM: Convolution As Local Mixture [0.0]
畳み込み層の特徴写像は、画像モデリングのための特別な種類のガウス混合の非正規化ログ後部と等価であることを示す。
次に,モデルを拡張して多様な特徴を駆動し,モデルを学ぶための対応するEMアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-30T19:35:07Z) - Metric Learning for Projections Bias of Generalized Zero-shot Learning [7.020870744580684]
汎用ゼロショット学習モデル (GZSL) は、見知らぬクラスのサンプルのみをトレーニングデータとして認識することを目的としている。
最適化されたマハラノビス距離表現の学習を支援するために、2つの枝を持つ新たな損失関数を提案する。
論文 参考訳(メタデータ) (2023-09-04T06:41:29Z) - Low-Rank Subspaces in GANs [101.48350547067628]
この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。
LowRankGAN は属性多様体の低次元表現を見つけることができる。
さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
論文 参考訳(メタデータ) (2021-06-08T16:16:32Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳(メタデータ) (2020-11-25T11:03:11Z) - Multiscale Score Matching for Out-of-Distribution Detection [19.61640396236456]
本稿では,複数の雑音尺度におけるスコア推定のノルムを利用して,分布外画像(OOD)の検出手法を提案する。
我々の方法論は完全に教師なしであり、まっすぐな前向きのトレーニングスキームに従っています。
論文 参考訳(メタデータ) (2020-10-25T15:10:31Z) - Stein Variational Inference for Discrete Distributions [70.19352762933259]
離散分布を等価なピースワイズ連続分布に変換する単純な一般フレームワークを提案する。
提案手法は,ギブスサンプリングや不連続ハミルトニアンモンテカルロといった従来のアルゴリズムよりも優れている。
我々は,この手法がバイナライズニューラルネットワーク(BNN)のアンサンブルを学習するための有望なツールであることを実証した。
さらに、そのような変換は、勾配のないカーネル化されたStein差分に簡単に適用でき、離散分布の良性(GoF)テストを実行することができる。
論文 参考訳(メタデータ) (2020-03-01T22:45:41Z) - AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。
FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。
また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文 参考訳(メタデータ) (2020-02-28T10:34:36Z) - PixelHop++: A Small Successive-Subspace-Learning-Based (SSL-based) Model
for Image Classification [30.49387075658641]
改良されたPixelHopメソッドを提案し、それをPixelHop++と呼ぶ。
PixelHop++では、モデルサイズと分類性能のフレキシブルなトレードオフを取り除き、粒度の学習モデルサイズを制御することができる。
論文 参考訳(メタデータ) (2020-02-08T11:08:54Z)
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。