論文の概要: Simple Adaptive Projection with Pretrained Features for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2112.02597v1
• Date: Sun, 5 Dec 2021 15:29:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 12:35:02.706768
• Title: Simple Adaptive Projection with Pretrained Features for Anomaly Detection
• Title（参考訳）: 異常検出のための事前制約付き簡易適応投影法
• Authors: Xingtai Gui
• Abstract要約: 本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。 事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep anomaly detection aims to separate anomaly from normal samples with high-quality representations. Pretrained features bring effective representation and promising anomaly detection performance. However, with one-class training data, adapting the pretrained features is a thorny problem. Specifically, the existing optimization objectives with global target often lead to pattern collapse, i.e. all inputs are mapped to the same. In this paper, we propose a novel adaptation framework including simple linear transformation and self-attention. Such adaptation is applied on a specific input, and its k nearest representations of normal samples in pretrained feature space and the inner-relationship between similar one-class semantic features are mined. Furthermore, based on such framework, we propose an effective constraint term to avoid learning trivial solution. Our simple adaptive projection with pretrained features(SAP2) yields a novel anomaly detection criterion which is more accurate and robust to pattern collapse. Our method achieves state-of-the-art anomaly detection performance on semantic anomaly detection and sensory anomaly detection benchmarks including 96.5% AUROC on CIFAR-100 dataset, 97.0% AUROC on CIFAR-10 dataset and 88.1% AUROC on MvTec dataset.
• Abstract（参考訳）: 深部異常検出は、高品質な表現を持つ通常のサンプルから異常を分離することを目的としている。 事前訓練された機能は効果的な表現と有望な異常検出性能をもたらす。 しかし、一流の訓練データでは、事前訓練された特徴の適応は厄介な問題である。 具体的には、グローバルターゲットを持つ既存の最適化目標はしばしばパターンの崩壊、すなわち全ての入力が同一にマッピングされる。 本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。 このような適応を特定の入力に適用し、事前訓練された特徴空間における正規標本のk最短表現と類似する1クラス意味特徴間の内関係をマイニングする。 さらに,このような枠組みに基づき,自明な解の学習を避けるための効果的な制約項を提案する。 事前訓練した特徴を持つ簡易適応投影法(SAP2)は,パターン崩壊に対してより正確で頑健な,新しい異常検出基準を与える。 本手法は,CIFAR-100データセットの96.5% AUROC,CIFAR-10データセットの97.0% AUROC,MvTecデータセットの88.1% AUROCを含む,意味異常検出および感覚異常検出ベンチマークの最先端異常検出性能を実現する。

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)
• Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
  異常検出は、データ内の確立されたパターンから逸脱を検出する。 本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。 実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-18T15:11:44Z)
• 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)
• 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)
• ARES: Locally Adaptive Reconstruction-based Anomaly Scoring [25.707159917988733]
  本研究では, 異常スコアリング関数が, 正常サンプルの範囲にわたる復元誤差の自然な変動に適応しないことを示す。 本稿では,適応的再構成誤りに基づくスコーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-06-15T15:35:12Z)
• CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization [30.288875091409313]
  ターゲットデータセットに適応した特徴を用いた高度異常な局所化を実現するための結合超球型特徴適応(CFA)を提案する。 CFAは、(1)学習可能なパッチ記述子で、ターゲット指向の特徴を学習し、埋め込みし、(2)ターゲットデータセットのサイズに依存しないスケーラブルなメモリバンクから成り立っている。 AUROCスコアは99.5%、MVTec ADベンチマークの98.5%である。
  論文  参考訳（メタデータ） (2022-06-09T07:56:57Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Deep Anomaly Detection by Residual Adaptation [34.47788988778933]
  本稿では,大規模な事前学習ネットワークを改良し,異常検出のタスクに適応させる手法を提案する。 提案手法は,パラメータ効率の高い学習機構を生み出し,事前学習されたモデルにおける表現の絡み合いを高め,既存の異常検出方法よりも優れる。
  論文  参考訳（メタデータ） (2020-10-05T20:02:58Z)

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。