論文の概要: Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2107.13118v1
- Date: Wed, 28 Jul 2021 01:14:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 14:01:00.976297
- Title: Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly
Detection
- Title(参考訳): Divide-and-Assemble: 教師なし異常検出のためのブロックワイズメモリの学習
- Authors: Jinlei Hou, Yingying Zhang, Qiaoyong Zhong, Di Xie, Shiliang Pu, Hong
Zhou
- Abstract要約: 再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。
本研究では,画像の再構成を分割組立手順として解釈する。
我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 40.778313918994996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstruction-based methods play an important role in unsupervised anomaly
detection in images. Ideally, we expect a perfect reconstruction for normal
samples and poor reconstruction for abnormal samples. Since the
generalizability of deep neural networks is difficult to control, existing
models such as autoencoder do not work well. In this work, we interpret the
reconstruction of an image as a divide-and-assemble procedure. Surprisingly, by
varying the granularity of division on feature maps, we are able to modulate
the reconstruction capability of the model for both normal and abnormal
samples. That is, finer granularity leads to better reconstruction, while
coarser granularity leads to poorer reconstruction. With proper granularity,
the gap between the reconstruction error of normal and abnormal samples can be
maximized. The divide-and-assemble framework is implemented by embedding a
novel multi-scale block-wise memory module into an autoencoder network.
Besides, we introduce adversarial learning and explore the semantic latent
representation of the discriminator, which improves the detection of subtle
anomaly. We achieve state-of-the-art performance on the challenging MVTec AD
dataset. Remarkably, we improve the vanilla autoencoder model by 10.1% in terms
of the AUROC score.
- Abstract(参考訳): 再構成に基づく手法は画像の教師なし異常検出において重要な役割を果たす。
理想的には,正常試料の完全な再構築と異常試料の不十分な再構成を期待する。
ディープニューラルネットワークの一般化性は制御が難しいため、オートエンコーダのような既存のモデルはうまく機能しない。
本研究では,画像の再構成を分割組立手順として解釈する。
驚いたことに、特徴写像上の分割の粒度を変化させることで、正常サンプルと異常サンプルの両方に対するモデルの再構成能力を調整できる。
すなわち、細かい粒度はより優れた再構築につながり、粗い粒度はより粗い再構成に繋がる。
適切な粒度で、正常試料と異常試料の再構成誤差のギャップを最大化することができる。
分割組立フレームワークは、新しいマルチスケールブロックワイドメモリモジュールをオートエンコーダネットワークに埋め込み、実装されている。
さらに,敵対学習を導入し,識別器の意味的潜在表現を探究し,微妙な異常の検出を改善する。
我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
注目すべきは、AUROCスコアの点から、バニラオートエンコーダモデルを10.1%改善することである。
関連論文リスト
- Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - 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) - Unsupervised Anomaly Detection in Medical Images with a Memory-augmented
Multi-level Cross-attentional Masked Autoencoder [33.5760501931736]
教師なし異常検出(UAD)は、通常の画像のみを含むトレーニングセットを使用して検出器を最適化することにより、異常な画像を見つけることを目的としている。
UADアプローチは、再構成方法、自己教師付きアプローチ、およびImagenet事前訓練モデルに基づくことができる。
異常画像に対する低い再構成誤差問題に対処する新しい再構成に基づくUDA手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T13:32:42Z) - 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) - Reconstruction-Based Membership Inference Attacks are Easier on
Difficult Problems [36.13835940345486]
高次元の入力と出力を持つモデルは、メンバーシップ推論攻撃に対してより脆弱であることを示す。
本稿では,各サンプルに対して計算可能な新しい予測可能性スコアを提案し,その計算はトレーニングセットを必要としない。
再構成誤差から予測可能性スコアを減算して得られた会員誤差は,多数のベンチマークにおいて高いMIA精度が得られることを示す。
論文 参考訳(メタデータ) (2021-02-15T18:57:22Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。