Fugu-MT 論文翻訳(概要): A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images

論文の概要: A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images

arxiv url: http://arxiv.org/abs/2107.09204v1
Date: Tue, 20 Jul 2021 00:14:12 GMT
ステータス: 処理完了
システム内更新日: 2021-07-21 22:49:59.267321
Title: A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images
Title（参考訳）: 画像における異常検出のための教師あり・教師なし深層学習法の比較
Authors: Vincent Wilmet, Sauraj Verma, Tabea Redl, H{\aa}kon Sandaker, Zhenning Li
Abstract要約: 画像の異常検出は、医療における疾患診断や製造における品質保証など、あらゆる産業における多くのアプリケーションにおいて重要な役割を担っている。本稿では,品質保証ユースケースに適用された異常検出のための,教師付きおよび教師なしの学習を含む様々なディープラーニング手法について検討する。
参考スコア（独自算出の注目度）: 5.769720012976111
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection in images plays a significant role for many applications across all industries, such as disease diagnosis in healthcare or quality assurance in manufacturing. Manual inspection of images, when extended over a monotonously repetitive period of time is very time consuming and can lead to anomalies being overlooked.Artificial neural networks have proven themselves very successful on simple, repetitive tasks, in some cases even outperforming humans. Therefore, in this paper we investigate different methods of deep learning, including supervised and unsupervised learning, for anomaly detection applied to a quality assurance use case. We utilize the MVTec anomaly dataset and develop three different models, a CNN for supervised anomaly detection, KD-CAE for autoencoder anomaly detection, NI-CAE for noise induced anomaly detection and a DCGAN for generating reconstructed images. By experiments, we found that KD-CAE performs better on the anomaly datasets compared to CNN and NI-CAE, with NI-CAE performing the best on the Transistor dataset. We also implemented a DCGAN for the creation of new training data but due to computational limitation and lack of extrapolating the mechanics of AnoGAN, we restricted ourselves just to the generation of GAN based images. We conclude that unsupervised methods are more powerful for anomaly detection in images, especially in a setting where only a small amount of anomalous data is available, or the data is unlabeled.
Abstract（参考訳）: 画像における異常検出は、医療における疾患診断や製造における品質保証など、あらゆる産業において重要な役割を果たす。手動による画像検査は、単調に反復する期間を延ばすと非常に時間がかかり、異常を見落とされてしまう可能性がある。そこで本研究では,品質保証ユースケースに適用可能な異常検出のための教師付き学習と教師なし学習を含む,深層学習の異なる手法について検討する。 MVTec異常データセットを用いて,教師付き異常検出用CNN,オートエンコーダ異常検出用KD-CAE,ノイズ誘発異常検出用NI-CAE,再構成画像生成用DCGANの3種類のモデルを開発した。実験の結果,KD-CAEはCNNやNI-CAEと比較して異常データセットでは優れており,NI-CAEはTransistorデータセットでは最高であることがわかった。我々はまた、新しいトレーニングデータを作成するためにDCGANを実装したが、計算の制限とAnoGANの力学の補間が欠如しているため、GANベースの画像生成のみに限定した。教師なし手法は画像の異常検出において,特に少量の異常データしか利用できない場合やラベルなしの場合において,より強力である。

関連論文リスト

Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
論文参考訳（メタデータ） (2024-03-11T08:07:46Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
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)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
本稿では,新しいGANに基づく異常検出モデルを提案する。通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。 CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
論文参考訳（メタデータ） (2022-11-24T21:52:25Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文参考訳（メタデータ） (2021-03-05T01:56:58Z)
Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
論文参考訳（メタデータ） (2021-01-12T18:07:34Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
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)

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。