論文の概要: Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks
- arxiv url: http://arxiv.org/abs/2111.12379v1
- Date: Wed, 24 Nov 2021 09:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 19:46:07.740915
- Title: Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks
- Title（参考訳）: 自己監督型マルチキュータスクを用いた効率的な異常検出
- Authors: Loic Jezequel, Ngoc-Son Vu, Jean Beaudet, Aymeric Histace
- Abstract要約: 異なる視覚的手がかりに焦点をあてる新しい識別的・生成的タスクを導入する。
そこで本研究では,新しい分布検出機能を提案し,その安定性を他の分布検出方法と比較した。
我々のモデルは、これらの自己教師型タスクを用いて、高度に識別可能な特徴をより正確に学習することができる。
- 参考スコア（独自算出の注目度）: 2.9237210794416755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep anomaly detection has proven to be an efficient and robust approach in
several fields. The introduction of self-supervised learning has greatly helped
many methods including anomaly detection where simple geometric transformation
recognition tasks are used. However these methods do not perform well on
fine-grained problems since they lack finer features and are usually highly
dependent on the anomaly type. In this paper, we explore each step of
self-supervised anomaly detection with pretext tasks. First, we introduce novel
discriminative and generative tasks which focus on different visual cues. A
piece-wise jigsaw puzzle task focuses on structure cues, while a tint rotation
recognition is used on each piece for colorimetry and a partial re-colorization
task is performed. In order for the re-colorization task to focus more on the
object rather than on the background, we propose to include the contextual
color information of the image border. Then, we present a new
out-of-distribution detection function and highlight its better stability
compared to other out-of-distribution detection methods. Along with it, we also
experiment different score fusion functions. Finally, we evaluate our method on
a comprehensive anomaly detection protocol composed of object anomalies with
classical object recognition, style anomalies with fine-grained classification
and local anomalies with face anti-spoofing datasets. Our model can more
accurately learn highly discriminative features using these self-supervised
tasks. It outperforms state-of-the-art with up to 36% relative error
improvement on object anomalies and 40% on face anti-spoofing problems.
- Abstract（参考訳）: 深部異常検出はいくつかの分野で効率的で堅牢なアプローチであることが証明されている。
自己教師付き学習の導入は、単純な幾何学的変換認識タスクを使用する異常検出を含む多くの手法に大きく貢献している。
しかし、これらの手法は細かな特徴がなく、通常異常型に大きく依存するため、細かな問題ではうまく機能しない。
本稿では,プリテキストタスクを用いた自己教師付き異常検出の各ステップについて検討する。
まず,異なる視覚手がかりに着目した新しい判別タスクと生成タスクを紹介する。
分割ジグソーパズルタスクは構造キューに焦点を当て、各ピースにティント回転認識を用いて色測定を行い、部分的な再色処理を行う。
背景よりも対象物に着目した再色化タスクを実現するために,画像境界のコンテキストカラー情報を含めることを提案する。
次に,新たな分布検出関数を提案し,他の分布検出手法と比較してその安定性を強調する。
それと同時に、異なるスコア融合関数も実験します。
最後に,従来の物体認識による物体異常,微粒な分類によるスタイル異常,顔の反偽造データセットによる局所異常からなる包括的異常検出プロトコルについて検討した。
私たちのモデルは、これらの自己教師付きタスクを使って、より正確に識別的な特徴を学べます。
オブジェクト異常に対して最大36%のエラー改善、対スプーフィング問題では40%のエラー改善で最先端を上回っている。
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) - Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。
MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-02-28T12:38:44Z) - 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) - Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly
Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。
本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。
当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文 参考訳（メタデータ） (2023-10-01T21:24:05Z) - COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。
ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。
マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文 参考訳（メタデータ） (2023-08-03T03:37:13Z) - UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly
Detection [6.260747047974035]
We present UniFormaly, a universal and powerful anomaly detection framework。
我々は,オンラインエンコーダ方式の準最適問題を指摘することによって,オフ・ザ・シェルフアプローチの必要性を強調した。
UniFormalyは様々なタスクやデータセットで優れた結果を得る。
論文 参考訳（メタデータ） (2023-07-24T06:04:12Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳（メタデータ） (2021-11-17T13:30:31Z) - Multi-Perspective Anomaly Detection [3.3511723893430476]
我々は,ディープサポートベクトルデータ記述アルゴリズムを構築し,マルチパースペクティブな異常検出に対処する。
我々は、少ない一級データを扱うために、デノナイジングプロセスで異なる拡張手法を採用する。
2つの異なる視点からの画像を用いて新しいダイスデータセットのアプローチを評価し、標準MNISTデータセットのベンチマークを行った。
論文 参考訳（メタデータ） (2021-05-20T17:07:36Z) - Masked Contrastive Learning for Anomaly Detection [10.499890749386676]
マスク型コントラスト学習という,タスク固有のコントラスト学習のバリエーションを提案する。
また,自己アンサンブル推論と呼ばれる新しい推論手法を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:27:02Z) - Fine-grained Anomaly Detection via Multi-task Self-Supervision [2.9237210794416755]
自己監督学習は異常検出を含む多くの方法に大いに役立っています。
マルチタスクフレームワークであるhigh-scale shape features oriented taskとlow-scale fine features oriented taskを組み合わせることで,細粒度の異常検出を大幅に改善する。
AUROCで測定された最大31%の相対誤差低減で、様々な異常検出問題において最先端のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-20T14:19:08Z) - Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。
本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文 参考訳（メタデータ） (2020-11-15T10:21:28Z)
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。