論文の概要: LEA-Net: Layer-wise External Attention Network for Efficient Color
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2109.05493v1
- Date: Sun, 12 Sep 2021 11:38:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 13:13:25.007638
- Title: LEA-Net: Layer-wise External Attention Network for Efficient Color
Anomaly Detection
- Title(参考訳): LEA-Net:効率的なカラー異常検出のためのレイヤワイド外部注意ネットワーク
- Authors: Ryoya Katafuchi and Terumasa Tokunaga
- Abstract要約: 本稿では,画像異常検出のためのレイヤワイド外部注意ネットワーク(LEA-Net)を提案する。
我々の戦略は次のとおりである: (i) 異常に関する事前知識は、通常のインスタンスの教師なし学習によって生成される異常マップとして表現される; (ii) 異常マップは、外部ネットワークによって注意マップに変換される; (iii) 注意マップは、異常検出ネットワークの中間層に組み込まれる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The utilization of prior knowledge about anomalies is an essential issue for
anomaly detections. Recently, the visual attention mechanism has become a
promising way to improve the performance of CNNs for some computer vision
tasks. In this paper, we propose a novel model called Layer-wise External
Attention Network (LEA-Net) for efficient image anomaly detection. The core
idea relies on the integration of unsupervised and supervised anomaly detectors
via the visual attention mechanism. Our strategy is as follows: (i) Prior
knowledge about anomalies is represented as the anomaly map generated by
unsupervised learning of normal instances, (ii) The anomaly map is translated
to an attention map by the external network, (iii) The attention map is then
incorporated into intermediate layers of the anomaly detection network.
Notably, this layer-wise external attention can be applied to any CNN model in
an end-to-end training manner. For a pilot study, we validate LEA-Net on color
anomaly detection tasks. Through extensive experiments on PlantVillage, MVTec
AD, and Cloud datasets, we demonstrate that the proposed layer-wise visual
attention mechanism consistently boosts anomaly detection performances of an
existing CNN model, even on imbalanced datasets. Moreover, we show that our
attention mechanism successfully boosts the performance of several CNN models.
- Abstract(参考訳): 異常検出における先行知識の利用は重要な課題である。
近年,視覚的注意機構はコンピュータビジョンタスクにおけるCNNの性能向上に期待できる方法となっている。
本稿では,効率的な画像異常検出のための層別外部注意ネットワーク(lea-net)と呼ばれる新しいモデルを提案する。
中心となるアイデアは、視覚注意機構を介して、教師なし、監督なしの異常検出器の統合に依存している。
我々の戦略は以下の通りである。
(i)異常に関する事前知識は、通常のインスタンスの教師なし学習によって生成される異常マップとして表現される。
(ii)異常マップは、外部ネットワークによって注意マップに変換される。
(iii)アテンションマップを異常検出ネットワークの中間層に組み込む。
特に、この階層的な外部注意は、エンドツーエンドのトレーニング方法で任意のCNNモデルに適用することができる。
パイロット実験では,色異常検出タスクにおいてlea-netを検証する。
plantvillage、mvtec ad、cloud datasetsの広範な実験を通じて、提案手法が既存のcnnモデルの異常検出性能を一貫して高めることを実証する。
さらに,注意機構がいくつかのCNNモデルの性能を向上することを示す。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳(メタデータ) (2022-11-28T12:17:40Z) - MGFN: Magnitude-Contrastive Glance-and-Focus Network for
Weakly-Supervised Video Anomaly Detection [39.923871347007875]
そこで本稿では,空間時間情報を統合して高精度な異常検出を行う新しい視点・焦点ネットワークを提案する。
異常の程度を表すために特徴量を使用する既存のアプローチは、通常、シーンのバリエーションの影響を無視する。
本稿では,異常検出のための特徴量の識別性を高めるため,特徴増幅機構とマグニチュードコントラスト損失を提案する。
論文 参考訳(メタデータ) (2022-11-28T07:10:36Z) - 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) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳(メタデータ) (2022-02-25T22:05:59Z) - Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks [8.608288231153304]
ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。
ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
論文 参考訳(メタデータ) (2021-04-16T06:43:05Z) - Attention-Guided Network for Iris Presentation Attack Detection [13.875545441867137]
本稿では注意誘導型アイリス提示攻撃検出(AG-PAD)を提案する。
JHU-APLプロプライエタリデータセットとベンチマークのLivDet-Iris-2017データセットの両方を含む実験は、提案手法が有望な結果をもたらすことを示唆している。
論文 参考訳(メタデータ) (2020-10-23T19:23:51Z)
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。