論文の概要: Self-Supervised Out-of-Distribution Detection and Localization with Natural Synthetic Anomalies (NSA)

• arxiv url: http://arxiv.org/abs/2109.15222v1
• Date: Thu, 30 Sep 2021 15:50:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:50:13.886591
• Title: Self-Supervised Out-of-Distribution Detection and Localization with Natural Synthetic Anomalies (NSA)
• Title（参考訳）: 自然合成異常(NSA)による自己監視アウトオブディストリビューション検出と局所化
• Authors: Hannah M. Schl\"uter, Jeremy Tan, Benjamin Hou, Bernhard Kainz
• Abstract要約: 我々は、異常検出とローカライゼーションのためのエンドツーエンドモデルをトレーニングするための、新しい自己監督タスクであるNSAを導入する。 NSAはPoissonの画像編集を使って、さまざまなサイズのスケールしたパッチを別の画像とシームレスにブレンドしている。 MVTec ADデータセットを用いた実験により、NSA異常のローカライズを訓練したモデルが、実世界の未知の製造欠陥を検出するのに有効であることが示された。
• 参考スコア（独自算出の注目度）: 3.862647284311923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new self-supervised task, NSA, for training an end-to-end model for anomaly detection and localization using only normal data. NSA uses Poisson image editing to seamlessly blend scaled patches of various sizes from separate images. This creates a wide range of synthetic anomalies which are more similar to natural sub-image irregularities than previous data-augmentation strategies for self-supervised anomaly detection. We evaluate the proposed method using natural and medical images. Our experiments with the MVTec AD dataset show that a model trained to localize NSA anomalies generalizes well to detecting real-world a priori unknown types of manufacturing defects. Our method achieves an overall detection AUROC of 97.2 outperforming all previous methods that learn from scratch without pre-training datasets.
• Abstract（参考訳）: 正規データのみを用いた異常検出とローカライズのためのエンドツーエンドモデルをトレーニングするための,新たな自己監視タスクであるnsaを導入する。 nsaはpoisson画像編集を使用して、さまざまなサイズのスケールされたパッチを別々の画像からシームレスにブレンドする。 これにより、自己教師付き異常検出のための従来のデータ拡張戦略よりも、自然のサブイメージの不規則性に近い幅広い合成異常が生じる。 提案手法は,自然画像と医用画像を用いて評価する。 MVTec ADデータセットを用いた実験により、NSA異常のローカライズを訓練したモデルが、実世界の未知の製造欠陥の検出に有効であることが示された。 本手法は,データセットを事前学習することなく,スクラッチから学習する従来の手法よりも,97.2のAUROCを総合的に検出する。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis [0.0]
  インフラ資産の検査と監視には、定期的に撮影されるシーンの視覚異常を特定する必要がある。 手動で収集した画像や、同じ場面で同じシーンから無人航空機などのロボットで撮影された画像は、通常は完全に一致していない。 現在の非教師なし画素レベルの異常検出法は, 主に産業環境下で開発されている。 提案するScene AD問題に対処するために,OmniADと呼ばれる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T01:54:10Z)
• 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)
• 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)
• 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)
• That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering [28.296651124677556]
  ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。 画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。 実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
  論文  参考訳（メタデータ） (2023-07-06T18:17:43Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• 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)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
  監視シナリオにおける異常検出は、新たな研究分野である。 本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。 提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。