論文の概要: Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for
Anomaly Detection and Localization
- arxiv url: http://arxiv.org/abs/2110.04538v1
- Date: Sat, 9 Oct 2021 10:44:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 15:14:36.365696
- Title: Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for
Anomaly Detection and Localization
- Title（参考訳）: 分布に着目して:異常検出と局所化のための粗相関学習
- Authors: Ye Zheng, Xiang Wang, Rui Deng, Tianpeng Bao, Rui Zhao, Liwei Wu
- Abstract要約: 本稿では,教師なし異常検出と位置推定のための新しいフレームワークを提案する。
本手法は, 粗いアライメントプロセスを用いて, 正規画像から高密度かつコンパクトな分布を学習することを目的としている。
本フレームワークは, 種々の実世界の欠陥の検出に有効であり, 産業用無監督異常検出における新たな最先端技術を実現する。
- 参考スコア（独自算出の注目度）: 19.23452967227186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The essence of unsupervised anomaly detection is to learn the compact
distribution of normal samples and detect outliers as anomalies in testing.
Meanwhile, the anomalies in real-world are usually subtle and fine-grained in a
high-resolution image especially for industrial applications. Towards this end,
we propose a novel framework for unsupervised anomaly detection and
localization. Our method aims at learning dense and compact distribution from
normal images with a coarse-to-fine alignment process. The coarse alignment
stage standardizes the pixel-wise position of objects in both image and feature
levels. The fine alignment stage then densely maximizes the similarity of
features among all corresponding locations in a batch. To facilitate the
learning with only normal images, we propose a new pretext task called
non-contrastive learning for the fine alignment stage. Non-contrastive learning
extracts robust and discriminating normal image representations without making
assumptions on abnormal samples, and it thus empowers our model to generalize
to various anomalous scenarios. Extensive experiments on two typical industrial
datasets of MVTec AD and BenTech AD demonstrate that our framework is effective
in detecting various real-world defects and achieves a new state-of-the-art in
industrial unsupervised anomaly detection.
- Abstract（参考訳）: 教師なし異常検出の本質は、正常なサンプルのコンパクトな分布を学習し、検査における異常として外れ値を検出することである。
一方、現実世界の異常は通常、特に工業用途の高解像度画像において微妙できめ細かいものである。
この目的に向けて,教師なし異常検出と局所化のための新しい枠組みを提案する。
本手法は, 粗いアライメントプロセスを用いて, 正規画像から高密度かつコンパクトな分布を学習することを目的とする。
粗いアライメントステージは、画像と特徴レベルの両方のオブジェクトのピクセル単位での位置を標準化する。
そして、微細アライメントステージは、バッチ内の全ての対応する位置間の特徴の類似性を密に最大化する。
通常の画像のみによる学習を容易にするために, ファインアライメント段階のための非コントラスト学習と呼ばれる新しいプレテキストタスクを提案する。
非矛盾学習は、異常なサンプルに仮定することなく、正常な画像表現を堅牢かつ識別し、モデルに様々な異常なシナリオを一般化させる。
MVTec ADとBenTech ADの2つの典型的な産業データセットに対する大規模な実験により、我々のフレームワークは様々な現実世界の欠陥の検出に有効であり、産業用無監督異常検出における新たな最先端技術を実現していることが示された。
関連論文リスト
- GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - 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) - Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - Hard Nominal Example-aware Template Mutual Matching for Industrial
Anomaly Detection [74.9262846410559]
textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM)
textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
論文 参考訳（メタデータ） (2023-03-28T17:54:56Z) - CRADL: Contrastive Representations for Unsupervised Anomaly Detection
and Localization [2.8659934481869715]
医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。
現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。
コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
論文 参考訳（メタデータ） (2023-01-05T16:07:49Z) - 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) - Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection [24.0966076588569]
欠陥部分の画像サンプルを必要とせずに自動欠陥検出の問題に取り組む。
本稿では,異なるスケールの複数の特徴写像を共同で処理する,完全畳み込み型クロススケール正規化フロー(CS-Flow)を提案する。
ベンチマークデータセットであるMagnetic Tile DefectsとMVTec ADは、15クラス中4クラスで100%AUROCを示す。
論文 参考訳（メタデータ） (2021-10-06T15:35:13Z) - 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) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳（メタデータ） (2021-03-05T01:56:58Z) - Unsupervised Anomaly Detection and Localisation with Multi-scale
Interpolated Gaussian Descriptors [31.02818044068126]
2つの問題に対処するために,教師なしの異常検出と局所化手法を提案する。
本稿では,正規画像の低表示クラスに対して頑健な正規画像分布推定手法を提案する。
また,マルチスケール構造および非構造的異常を正確に検出・局在化可能な新しい異常識別基準を提案する。
論文 参考訳（メタデータ） (2021-01-25T12:38:51Z)
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。