論文の概要: CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization

• arxiv url: http://arxiv.org/abs/2206.04325v1
• Date: Thu, 9 Jun 2022 07:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 13:28:38.510117
• Title: CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization
• Title（参考訳）: cfa: ターゲット指向異常局在に対する結合型超球型特徴適応
• Authors: Sungwook Lee, Seunghyun Lee, Byung Cheol Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.288875091409313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For a long time, anomaly localization has been widely used in industries. Previous studies focused on approximating the distribution of normal features without adaptation to a target dataset. However, since anomaly localization should precisely discriminate normal and abnormal features, the absence of adaptation may make the normality of abnormal features overestimated. Thus, we propose Coupled-hypersphere-based Feature Adaptation (CFA) which accomplishes sophisticated anomaly localization using features adapted to the target dataset. CFA consists of (1) a learnable patch descriptor that learns and embeds target-oriented features and (2) scalable memory bank independent of the size of the target dataset. And, CFA adopts transfer learning to increase the normal feature density so that abnormal features can be clearly distinguished by applying patch descriptor and memory bank to a pre-trained CNN. The proposed method outperforms the previous methods quantitatively and qualitatively. For example, it provides an AUROC score of 99.5% in anomaly detection and 98.5% in anomaly localization of MVTec AD benchmark. In addition, this paper points out the negative effects of biased features of pre-trained CNNs and emphasizes the importance of the adaptation to the target dataset. The code is publicly available at https://github.com/sungwool/CFA_for_anomaly_localization.
• Abstract（参考訳）: 長い間、異常なローカライゼーションは産業で広く使われてきた。 従来の研究では、ターゲットデータセットに適応せずに正常な特徴の分布を近似することに焦点を当てていた。 しかし,異常な局所化は正常な特徴と異常な特徴を正確に区別する必要があるため,適応の欠如は異常な特徴の正規性を過大評価する可能性がある。 そこで本研究では,対象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ターゲット指向の機能を学び、組み込む学習可能なパッチ記述子、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で構成される。 また、cfaは、予め訓練されたcnnにパッチ記述子とメモリバンクを適用することで異常な特徴を明確に区別できるように、通常の特徴密度を高めるために転送学習を採用する。 提案手法は,従来の手法よりも定量的,質的に優れる。 例えば、AUROCスコアは99.5%で異常検出は99.5%、MVTec ADベンチマークは98.5%である。 さらに,事前学習したCNNのバイアス特性の負の効果を指摘し,対象データセットへの適応の重要性を強調した。 コードはhttps://github.com/sungwool/CFA_for_anomaly_localizationで公開されている。

関連論文リスト

• FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization [31.854923603517264]
  本稿では,新しいゼロショット異常検出法であるFiLoを提案する。 FiLoは、適応学習されたFG-Des(FG-Des)と位置強調された高品質なローカライゼーション(HQ-Loc)の2つのコンポーネントから構成される。 MVTecやVisAのようなデータセットの実験結果から、FiLoは検出とローカライゼーションの両方においてZSADの性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-04-21T14:22:04Z)
• 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)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• 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)
• Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-05T15:29:59Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• Importance Weighted Adversarial Discriminative Transfer for Anomaly Detection [15.63763317103138]
  本論文では,異常検知知識を教師なしに転送する重み付け型自動エンコーダ法を提案する。 具体的には、ソース領域とターゲット領域の両方で正規データの分布を調整することを学習するが、ターゲット領域における異常データの分布は変わらない。 このようにして、対象領域内の正常データと異常データの分布との間に明らかなギャップが生じ、ドメイン内の異常検出を可能にする。
  論文  参考訳（メタデータ） (2021-05-14T05:21:17Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。