Fugu-MT 論文翻訳(概要): Constrained unsupervised anomaly segmentation

論文の概要: Constrained unsupervised anomaly segmentation

arxiv url: http://arxiv.org/abs/2203.01671v1
Date: Thu, 3 Mar 2022 12:05:35 GMT
ステータス: 処理完了
システム内更新日: 2022-03-04 16:49:59.135863
Title: Constrained unsupervised anomaly segmentation
Title（参考訳）: 拘束的教師なし異常セグメンテーション
Authors: Julio Silva-Rodr\'iguez, Valery Naranjo and Jose Dolz
Abstract要約: 教師なし異常局所化アプローチは、正規画像の分布を学習するために生成モデルに依存する。ほとんどすべての先行する文献の主な制限は、異常を見つけるためにクラス固有のしきい値を設定するために異常画像を使用する必要があることである。しきい値を定義するために異常な画像にアクセスする必要がない新しい定式化を提案する。
参考スコア（独自算出の注目度）: 10.341916174446403
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current unsupervised anomaly localization approaches rely on generative models to learn the distribution of normal images, which is later used to identify potential anomalous regions derived from errors on the reconstructed images. However, a main limitation of nearly all prior literature is the need of employing anomalous images to set a class-specific threshold to locate the anomalies. This limits their usability in realistic scenarios, where only normal data is typically accessible. Despite this major drawback, only a handful of works have addressed this limitation, by integrating supervision on attention maps during training. In this work, we propose a novel formulation that does not require accessing images with abnormalities to define the threshold. Furthermore, and in contrast to very recent work, the proposed constraint is formulated in a more principled manner, leveraging well-known knowledge in constrained optimization. In particular, the equality constraint on the attention maps in prior work is replaced by an inequality constraint, which allows more flexibility. In addition, to address the limitations of penalty-based functions we employ an extension of the popular log-barrier methods to handle the constraint. Last, we propose an alternative regularization term that maximizes the Shannon entropy of the attention maps, reducing the amount of hyperparameters of the proposed model. Comprehensive experiments on two publicly available datasets on brain lesion segmentation demonstrate that the proposed approach substantially outperforms relevant literature, establishing new state-of-the-art results for unsupervised lesion segmentation, and without the need to access anomalous images.
Abstract（参考訳）: 現在の教師なし異常局所化アプローチは、通常画像の分布を学習するための生成モデルに依存しており、これは後に再構成画像上の誤りから生じる潜在的な異常領域を特定するために使われる。しかしながら、ほとんどすべての先行文献の主な制限は、異常を見つけるためにクラス固有のしきい値を設定するために異常画像を使用する必要があることである。これにより、通常のデータしかアクセスできない現実的なシナリオでのユーザビリティが制限される。この大きな欠点にもかかわらず、トレーニング中に注意マップの監督を統合することで、この制限に対処した作品はごくわずかである。本研究では,しきい値を定義するために異常画像へのアクセスを必要としない新しい定式化を提案する。さらに、最近の研究とは対照的に、提案する制約をより原則的に定式化し、制約付き最適化においてよく知られた知識を活用する。特に、先行作業における注目マップ上の等式制約は、より柔軟性のある不等式制約に置き換えられる。加えて、ペナルティベースの関数の制限に対処するために、私たちは制約を扱うために人気のあるlog-barrierメソッドを拡張しています。最後に、アテンションマップのシャノンエントロピーを最大化し、提案されたモデルのハイパーパラメータの量を削減する代替正規化項を提案する。脳病変セグメンテーションに関する2つの公開データセットに関する総合的な実験は、提案手法が関連する文献を大幅に上回り、教師なし病変セグメンテーションのための新しい最先端の結果を確立し、異常な画像にアクセスする必要がないことを示した。

関連論文リスト

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)
Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation [12.625383613718636]
本稿では,雑音測定に基づいて,凸型ニューラルネットワークに基づく画像正規化項をトレーニングするために,最大限界推定を用いた教師なし手法を提案する。実験により,提案手法は,様々な画像汚職操作者を対象とした類似の教師付きトレーニング手法と比較して,ほぼ競合する先行手法を生成することを示した。
論文参考訳（メタデータ） (2024-04-08T12:27:00Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
On Regularization and Inference with Label Constraints [62.60903248392479]
機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
論文参考訳（メタデータ） (2023-07-08T03:39:22Z)
Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文参考訳（メタデータ） (2022-10-27T19:45:12Z)
Calibrating Segmentation Networks with Margin-based Label Smoothing [19.669173092632]
現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。これらの損失は、ロジット距離に等しい制約を課す線形ペナルティの近似と見なすことができる。我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文参考訳（メタデータ） (2022-09-09T20:21:03Z)
Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series [22.630676187747696]
長いシーケンスにおける後続異常検出は、幅広い領域の応用において重要な問題である。本研究では,ドメイン列異常検出に適した教師なし手法を提案する。本手法は,サブシーケンスの低次元非依存性埋め込みのグラフ表現に基づく。
論文参考訳（メタデータ） (2022-07-25T13:55:43Z)
Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-08T04:09:13Z)
Looking at the whole picture: constrained unsupervised anomaly segmentation [7.836737786120474]
しきい値を定義するために異常な画像にアクセスする必要がない新しい定式化を提案する。特に、先行作業における注目マップ上の等式制約は、より柔軟性のある不等式制約に置き換えられる。一般的なBRATS'19データセットの実験は、提案手法が関連する文献を大幅に上回ることを示した。
論文参考訳（メタデータ） (2021-09-01T16:42:21Z)
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)
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
本稿では,非教師付きテンソルに基づく異常検出手法を提案する。結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
論文参考訳（メタデータ） (2020-10-23T19:34:40Z)

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。