論文の概要: Data refinement for fully unsupervised visual inspection using
pre-trained networks
- arxiv url: http://arxiv.org/abs/2202.12759v1
- Date: Fri, 25 Feb 2022 15:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 18:38:54.009541
- Title: Data refinement for fully unsupervised visual inspection using
pre-trained networks
- Title(参考訳): 事前学習ネットワークを用いた教師なし視覚検査のためのデータリファインメント
- Authors: Antoine Cordier, Benjamin Missaoui, and Pierre Gutierrez
- Abstract要約: まず、汚染されたトレーニングセットを用いて、これらの事前学習された手法の、完全に教師なしの文脈に対する堅牢性を評価する。
次に,SROCを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection has recently seen great progress in the field of visual
inspection. More specifically, the use of classical outlier detection
techniques on features extracted by deep pre-trained neural networks have been
shown to deliver remarkable performances on the MVTec Anomaly Detection (MVTec
AD) dataset. However, like most other anomaly detection strategies, these
pre-trained methods assume all training data to be normal. As a consequence,
they cannot be considered as fully unsupervised. There exists to our knowledge
no work studying these pre-trained methods under fully unsupervised setting. In
this work, we first assess the robustness of these pre-trained methods to fully
unsupervised context, using polluted training sets (i.e. containing defective
samples), and show that these methods are more robust to pollution compared to
methods such as CutPaste. We then propose SROC, a Simple Refinement strategy
for One Class classification. SROC enables to remove most of the polluted
images from the training set, and to recover some of the lost AUC. We further
show that our simple heuristic competes with, and even outperforms much more
complex strategies from the existing literature.
- Abstract(参考訳): 近年,視覚検査の分野では異常検出が大きな進歩を遂げている。
より具体的には、ディーププレトレーニングニューラルネットワークによって抽出された特徴に対する古典的な外れ値検出技術の使用が、mvtec anomaly detection (mvtec ad)データセット上で顕著なパフォーマンスをもたらすことが示されている。
しかしながら、他の多くの異常検出戦略と同様に、これらの事前訓練された方法は、すべてのトレーニングデータが正常であると仮定する。
結果として、それらは完全に監視されていないと見なすことはできない。
私たちの知識には、完全に教師なしの設定でこれらの事前訓練された方法を研究する作業はありません。
本研究は,まず,汚染されたトレーニングセット(欠陥サンプルを含む)を用いて,事前学習した手法の完全教師なしコンテキストに対する堅牢性を評価し,CutPasteなどの手法と比較して,これらの手法が汚染に対してより堅牢であることを示す。
次に,一クラス分類のための簡易な改良戦略であるsrocを提案する。
SROCは、トレーニングセットから汚染された画像の大部分を取り除き、失われたAUCの一部を復元することを可能にする。
さらに、私たちの単純なヒューリスティックが既存の文献と競合し、さらに複雑な戦略を上回ります。
関連論文リスト
- Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳(メタデータ) (2024-08-23T01:53:36Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳(メタデータ) (2024-07-23T20:34:23Z) - ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。
このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。
本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
論文 参考訳(メタデータ) (2024-07-03T16:33:31Z) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳(メタデータ) (2023-11-12T10:07:03Z) - Comparative Study on Semi-supervised Learning Applied for Anomaly Detection in Hydraulic Condition Monitoring System [6.516482813043172]
本研究では,油圧モニタリングシステムにおける異常検出に応用した半教師付き学習手法を系統的に比較した。
カスタマイズされた極端学習マシンをベースとした半教師付きHELMモデルは、最先端の性能(99.5%)、最低偽陽性率(0.015)、最高のF1スコア(0.985)が他の半教師付き手法を上回った。
論文 参考訳(メタデータ) (2023-06-05T09:01:38Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳(メタデータ) (2023-04-20T17:11:05Z) - Self-supervised Transformer for Deepfake Detection [112.81127845409002]
現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。
転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。
本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-02T17:44:40Z) - DeepfakeUCL: Deepfake Detection via Unsupervised Contrastive Learning [20.94569893388119]
教師なしコントラスト学習による新しいディープフェイク検出手法を設計する。
本手法は最先端の教師技術に匹敵する検出性能を示す。
論文 参考訳(メタデータ) (2021-04-23T09:48:10Z) - Random Projections for Adversarial Attack Detection [8.684378639046644]
敵の攻撃検出は 2つの観点から 根本的な問題です
本稿では,無作為射影の特殊特性を利用して,清潔で敵対的な例の挙動を特徴付ける手法を提案する。
性能評価は私達の技術が($>0.92$ AUC)技術(SOTA)攻撃戦略の競争状態を上回っていることを示します。
論文 参考訳(メタデータ) (2020-12-11T15:02:28Z) - FADER: Fast Adversarial Example Rejection [19.305796826768425]
近年の防御は, 異なる層表現における正統な訓練試料からの異常な偏差を検出することにより, 対向的堅牢性を向上させることが示されている。
本稿では,検出に基づく手法を高速化する新しい手法であるFADERを紹介する。
実験では,MNISTデータセットの解析値と比較すると,最大73倍の試作機,CIFAR10の最大50倍の試作機について概説した。
論文 参考訳(メタデータ) (2020-10-18T22:00:11Z) - Learning by Analogy: Reliable Supervision from Transformations for
Unsupervised Optical Flow Estimation [83.23707895728995]
光フローの教師なし学習は、教師付き手法に代わる有望な代替手段として登場した。
私たちは、トランスフォーメーションからより信頼性の高い監視を使用するためのフレームワークを提示します。
提案手法は, 深い教師なし手法の中で, 最高の精度で, いくつかのベンチマークで連続的に性能を向上する。
論文 参考訳(メタデータ) (2020-03-29T14:55:24Z)
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。