Fugu-MT 論文翻訳(概要): DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection

論文の概要: DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection

arxiv url: http://arxiv.org/abs/2108.07610v1
Date: Tue, 17 Aug 2021 13:17:29 GMT
ステータス: 処理完了
システム内更新日: 2021-08-18 13:17:48.689315
Title: DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection
Title（参考訳）: DR{\AE}M -- 表面異常検出のための識別訓練された再構成埋め込み
Authors: Vitjan Zavrtanik, Matej Kristan, Danijel Sko\v{c}aj
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.234783431842542
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Visual surface anomaly detection aims to detect local image regions that significantly deviate from normal appearance. Recent surface anomaly detection methods rely on generative models to accurately reconstruct the normal areas and to fail on anomalies. These methods are trained only on anomaly-free images, and often require hand-crafted post-processing steps to localize the anomalies, which prohibits optimizing the feature extraction for maximal detection capability. In addition to reconstructive approach, we cast surface anomaly detection primarily as a discriminative problem and propose a discriminatively trained reconstruction anomaly embedding model (DRAEM). The proposed method learns a joint representation of an anomalous image and its anomaly-free reconstruction, while simultaneously learning a decision boundary between normal and anomalous examples. The method enables direct anomaly localization without the need for additional complicated post-processing of the network output and can be trained using simple and general anomaly simulations. On the challenging MVTec anomaly detection dataset, DRAEM outperforms the current state-of-the-art unsupervised methods by a large margin and even delivers detection performance close to the fully-supervised methods on the widely used DAGM surface-defect detection dataset, while substantially outperforming them in localization accuracy.
Abstract（参考訳）: 視覚表面異常検出は、正常な外観から著しくずれる局所的な画像領域を検出することを目的としている。最近の表面異常検出法は、正常領域を正確に再構成し、異常に失敗するために生成モデルに依存する。これらの手法は異常のない画像のみに訓練され、異常をローカライズするために手作りのポストプロセッシングステップが必要であり、最大検出能力のために特徴抽出を最適化することを禁止している。再構成手法に加えて, 主に識別問題として表面異常検出を行い, 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。提案手法は,異常な画像と異常のない画像の同時表現とを学習し,正規例と異常例の判定境界を同時に学習する。本手法は,ネットワーク出力の複雑な後処理を必要とせずに直接異常局所化が可能であり,単純かつ一般的な異常シミュレーションを用いて訓練することができる。挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の非教師付き手法を大きなマージンで上回り、広く使用されているDAGM表面欠陥検出データセットの完全な教師付き手法に近い検出性能を達成し、ローカライズ精度で大幅に上回ります。

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)
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)
Noise-to-Norm Reconstruction for Industrial Anomaly Detection and Localization [5.101905755052051]
異常検出は幅広い応用があり、特に工業品質検査において重要である。再構成に基づく手法では, サンプルの位置差を考慮せずに, 再構成誤差を用いて異常を検出する。本研究では, 異常領域の不変な再構成を回避するため, ノイズ・ツー・ノーム・パラダイムを用いた再構成手法を提案する。
論文参考訳（メタデータ） (2023-07-06T08:06:48Z)
AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文参考訳（メタデータ） (2023-04-09T10:40:02Z)
Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文参考訳（メタデータ） (2022-12-05T05:03:46Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Domain-Generalized Textured Surface Anomaly Detection [29.88664324332402]
異常検出は、正常なデータから逸脱する異常なデータを特定することを目的としており、このタスクを実行するために十分な量の正常なデータを必要とする。本稿では,ドメイン一般化型表面異常検出の課題に対処する。我々のモデルは、テスト中にごく少数の正常なデータしか観測できない、見当たらないテクスチャ面に一般化されることが期待されている。
論文参考訳（メタデータ） (2022-03-23T10:01:35Z)
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)
Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning [16.854288765350283]
SALADはX線画像の異常検出のためのエンドツーエンドの自己監視手法である。提案手法は、深層ニューラルネットワークが原型的局所パターンを表現することを奨励する最適化戦略に基づいている。我々の異常スコアは、メモリバンク内の正常な原型パターンの重み付け組み合わせと類似性を測定することによって導出される。
論文参考訳（メタデータ） (2020-10-19T20:49:34Z)

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。