Fugu-MT 論文翻訳(概要): Reconstruction Student with Attention for Student-Teacher Pyramid Matching

論文の概要: Reconstruction Student with Attention for Student-Teacher Pyramid Matching

arxiv url: http://arxiv.org/abs/2111.15376v1
Date: Tue, 30 Nov 2021 13:24:10 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 16:26:38.275421
Title: Reconstruction Student with Attention for Student-Teacher Pyramid Matching
Title（参考訳）: 学生・教師のピラミッドマッチングに配慮した復興学生
Authors: Shinji Yamada and Kazuhiro Hotta
Abstract要約: 学生・教師の特徴ピラミッドマッチング(STPM)は,少数のエポックを持つ通常の画像のみから訓練することができる。本稿ではSTPMの欠点を補う強力な手法を提案する。機能再構築のための学生-教師ネットワークは,元のSTPMと比較して,画素レベルと画像レベルのAUCスコアを改善した。
参考スコア（独自算出の注目度）: 10.305130700118399
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection and localization are important problems in computer vision. Recently, Convolutional Neural Network (CNN) has been used for visual inspection. In particular, the scarcity of anomalous samples increases the difficulty of this task, and unsupervised leaning based methods are attracting attention. We focus on Student-Teacher Feature Pyramid Matching (STPM) which can be trained from only normal images with small number of epochs. Here we proposed a powerful method which compensates for the shortcomings of STPM. Proposed method consists of two students and two teachers that a pair of student-teacher network is the same as STPM. The other student-teacher network has a role to reconstruct the features of normal products. By reconstructing the features of normal products from an abnormal image, it is possible to detect abnormalities with higher accuracy by taking the difference between them. The new student-teacher network uses attention modules and different teacher network from the original STPM. Attention mechanism acts to successfully reconstruct the normal regions in an input image. Different teacher network prevents looking at the same regions as the original STPM. Six anomaly maps obtained from the two student-teacher networks are used to calculate the final anomaly map. Student-teacher network for reconstructing features improved AUC scores for pixel level and image level in comparison with the original STPM.
Abstract（参考訳）: 異常検出と局所化はコンピュータビジョンの重要な問題である。近年,視覚検査には畳み込みニューラルネットワーク(CNN)が用いられている。特に,異常サンプルの不足が課題の難しさを増し,教師なしの傾きに基づく手法が注目されている。我々は,少数のエポックを持つ普通の画像のみから学習できるSTPM(Student-Teacher Feature Pyramid Matching)に注目した。本稿ではSTPMの欠点を補う強力な手法を提案する。提案手法は2人の生徒と2人の教師からなり、一対の教師ネットワークはSTPMと同じである。他の学生教師ネットワークは、通常の製品の特徴を再構築する役割を担っている。異常画像から正常な製品の特徴を再構成することにより、それらの差を捉えて高精度に異常を検出することができる。新しい学生-教師ネットワークは、アテンションモジュールと元のSTPMとは異なる教師ネットワークを使用している。注意機構は、入力画像内の正常領域の再構築に成功する。異なる教師ネットワークは、元のSTPMと同じ領域を見るのを防ぐ。 2つの教師ネットワークから得られた6つの異常マップを用いて最終異常マップを算出する。機能再構築のための学生-教師ネットワークは,元のSTPMと比較して,画素レベルと画像レベルのAUCスコアを改善した。

関連論文リスト

Dual-Modeling Decouple Distillation for Unsupervised Anomaly Detection [15.89869857998053]
教師ネットワークへの学生ネットワークの過度な一般化は、異常の表現能力に無視できない違いをもたらす可能性がある。既存の手法では, 生徒と教師を構造的観点から区別することで, オーバージェネリゼーションの可能性に対処する。本稿では,非教師付き異常検出のためのDual-Modeling Deouple Distillation (DMDD)を提案する。
論文参考訳（メタデータ） (2024-08-07T16:39:16Z)
Dual-Student Knowledge Distillation Networks for Unsupervised Anomaly Detection [2.06682776181122]
学生教師ネットワーク(S-T)は教師なしの異常検出に好まれる。しかし、バニラS-Tネットワークは安定ではない。本稿では,新しい知識蒸留アーキテクチャを提案する。
論文参考訳（メタデータ） (2024-02-01T09:32:39Z)
Cross Architecture Distillation for Face Recognition [49.55061794917994]
本研究では,教師にプロンプトを組み込むことで,蒸留専門知識の管理を可能にする適応型プロンプト教師ネットワーク(APT)を開発した。一般的な顔のベンチマークと2つの大規模な検証セットによる実験は,本手法の優位性を実証している。
論文参考訳（メタデータ） (2023-06-26T12:54:28Z)
Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples [21.358496646676087]
教師による3次元異常検出のための構造化モデルの設計を行う。具体的には、特徴空間アライメント、次元ズーム、最大プールを用いて点雲の特徴を抽出する。本手法では,学生ネットワークを学習するために,ごくごく普通のサンプルしか必要としない。
論文参考訳（メタデータ） (2022-10-31T12:29:55Z)
ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly Detection [75.68023968735523]
知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。 ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
論文参考訳（メタデータ） (2022-10-19T12:04:47Z)
Asymmetric Student-Teacher Networks for Industrial Anomaly Detection [22.641661538154054]
本研究は,学生・教員による異常検出手法の既知の問題点を明らかにする。 2つのニューラルネットワークがトレーニングされ、欠陥のないトレーニング例で同じ出力を生成する。本手法は, MVTec AD と MVTec 3D-AD の2つの現在最も関連性の高い欠陥検出データセットに対して, 最先端の結果を生成する。
論文参考訳（メタデータ） (2022-10-14T13:56:50Z)
Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection [8.35780131268962]
学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
論文参考訳（メタデータ） (2022-10-14T05:57:50Z)
Exploring The Role of Mean Teachers in Self-supervised Masked Auto-Encoders [64.03000385267339]
マスク付き画像モデリング(MIM)は視覚変換器を用いた視覚表現の自己教師型学習(SSL)の一般的な戦略となっている。簡単なSSL方式であるRC-MAE(Restruction-Consistent Masked Auto-Encoder)を提案する。 RC-MAEは、事前学習中に最先端の自己蒸留法よりも早く収束し、メモリ使用量の削減を必要とする。
論文参考訳（メタデータ） (2022-10-05T08:08:55Z)
Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
論文参考訳（メタデータ） (2021-10-05T00:40:43Z)
Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
論文参考訳（メタデータ） (2021-05-11T04:09:49Z)
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)

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。