Fugu-MT 論文翻訳(概要): AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning

論文の概要: AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning

arxiv url: http://arxiv.org/abs/2110.03396v1
Date: Thu, 7 Oct 2021 12:36:36 GMT
ステータス: 処理完了
システム内更新日: 2021-10-09 00:42:27.654029
Title: AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning
Title（参考訳）: AnoSeg: 自己監督学習を用いた異常セグメンテーションネットワーク
Authors: Jouwon Song, Kyeongbo Kong, Ye-In Park, Seong-Gyun Kim, Suk-Ju Kang
Abstract要約: 本稿では、自己教師付き学習を用いて、正確な異常マップを直接生成できる新しい異常分割ネットワーク(AnoSeg)を提案する。高精度な異常セグメンテーションのために提案されたAnoSegは、3つの新しい手法を考察している。実験の結果,提案手法はMVTec ADデータセットに対して,最先端の異常検出および異常セグメンテーション法よりも優れていることがわかった。
参考スコア（独自算出の注目度）: 11.234583962952891
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly segmentation, which localizes defective areas, is an important component in large-scale industrial manufacturing. However, most recent researches have focused on anomaly detection. This paper proposes a novel anomaly segmentation network (AnoSeg) that can directly generate an accurate anomaly map using self-supervised learning. For highly accurate anomaly segmentation, the proposed AnoSeg considers three novel techniques: Anomaly data generation based on hard augmentation, self-supervised learning with pixel-wise and adversarial losses, and coordinate channel concatenation. First, to generate synthetic anomaly images and reference masks for normal data, the proposed method uses hard augmentation to change the normal sample distribution. Then, the proposed AnoSeg is trained in a self-supervised learning manner from the synthetic anomaly data and normal data. Finally, the coordinate channel, which represents the pixel location information, is concatenated to an input of AnoSeg to consider the positional relationship of each pixel in the image. The estimated anomaly map can also be utilized to improve the performance of anomaly detection. Our experiments show that the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for the MVTec AD dataset. In addition, we compared the proposed method with the existing methods through the intersection over union (IoU) metric commonly used in segmentation tasks and demonstrated the superiority of our method for anomaly segmentation.
Abstract（参考訳）: 欠陥地域をローカライズする異常セグメンテーションは、大規模工業生産において重要な要素である。しかし、近年の研究は異常検出に焦点を当てている。本稿では,自己教師付き学習を用いて正確な異常マップを生成できる新しい異常分割ネットワーク(anoseg)を提案する。高精度な異常セグメンテーションのために,提案するanosegは,ハードオーグメンテーションに基づく異常データ生成,ピクセル方向と逆方向の損失を伴う自己教師あり学習,座標チャネル結合の3つの新しい手法を検討した。まず, 標準データに対する合成異常画像と参照マスクを生成するために, サンプル分布を変化させるために, ハードオーメンテーションを用いる。そして、合成異常データと正規データとから、提案するアノセグを自己教師付き学習方法で訓練する。最後に、画素位置情報を表す座標チャネルをAnoSegの入力に連結し、画像中の各画素の位置関係を考慮する。推定異常マップは、異常検出の性能を向上させるためにも利用できる。実験の結果,提案手法はMVTec ADデータセットに対して,最先端の異常検出および異常セグメンテーション法よりも優れていることがわかった。さらに,本手法と既存の手法との比較を行い,分節化タスクでよく用いられるiou(intersection over union)メトリックを用いて,異常分節法の有用性を実証した。

関連論文リスト

ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
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)
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)
PNI : Industrial Anomaly Detection using Position and Neighborhood Information [6.316693022958221]
本研究では,条件付き近傍特徴量を用いて正規分布を推定する新しいアルゴリズム textbfPNI を提案する。我々はMVTec ADベンチマークデータセットの実験を行い、異常検出と局所化におけるtextbf99.56%と textbf98.98%のAUROCスコアを用いて最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2022-11-22T23:45:27Z)
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)
Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation [12.272975892517039]
異常検出は、入力されたサンプルがターゲットの正規クラスまたは異常クラスの分布に含まれるかどうかを認識するタスクです。本稿では,注目ネットワークと異常検出GANからなる新しい2段階ネットワークを提案する。
論文参考訳（メタデータ） (2021-03-31T07:04:07Z)
Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation [31.396372591714695]
unsupervised anomaly segmentation (UAS) は医療画像コミュニティにおいて有望な分野である。本稿では,健康データ分布のモデル化過程における健康な解剖学の意味空間について紹介する。 BraTSとISLESデータベースの実験結果は、提案されたアプローチが大幅に優れたパフォーマンスを達成することを示しています。
論文参考訳（メタデータ） (2021-03-16T14:15:30Z)
Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
論文参考訳（メタデータ） (2021-03-09T14:26:20Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Patch SVDD: Patch-level SVDD for Anomaly Detection and Segmentation [30.499125737099185]
異常検出は、入力画像が異常を含むかどうかを二項決定する。我々は,自己教師付き学習を用いたパッチベースの手法に,サポートベクタデータ記述(SVDD)を拡張した。本研究は,提案手法の有効性と産業応用の可能性を示すものである。
論文参考訳（メタデータ） (2020-06-29T14:19:47Z)

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。