論文の概要: Self-Supervised Training with Autoencoders for Visual Anomaly Detection
- arxiv url: http://arxiv.org/abs/2206.11723v3
- Date: Wed, 14 Jun 2023 23:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 04:03:50.755458
- Title: Self-Supervised Training with Autoencoders for Visual Anomaly Detection
- Title(参考訳): 視覚異常検出のためのオートエンコーダによる自己教師付きトレーニング
- Authors: Alexander Bauer
- Abstract要約: 本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
修正された再構成エラーを用いて、データ多様体に焦点を当てたトレーニング中に識別情報を使用することができる。
MVTec ADデータセットを用いた実験により,提案手法の高認識と局所化性能を示す。
- 参考スコア(独自算出の注目度): 93.68531382792366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep convolutional autoencoders provide an effective tool for learning
non-linear dimensionality reduction in an unsupervised way. Recently, they have
been used for the task of anomaly detection in the visual domain. By optimising
for the reconstruction error using anomaly-free examples, the common belief is
that a corresponding network should fail to accurately reconstruct anomalous
regions in the application phase. This goal is typically addressed by
controlling the capacity of the network by either reducing the size of the
bottleneck layer or enforcing sparsity constraints on its activations. However,
neither of these techniques does explicitly penalize reconstruction of
anomalous signals often resulting in poor detection. We tackle this problem by
adapting a self-supervised learning regime, which allows to use discriminative
information during training focusing on the data manifold by means of a
modified reconstruction error. This regularizes the model to produce locally
consistent reconstructions, while replacing irregularities by acting as a
filter for anomalous patterns. In contrast to related approaches, inference
with our method is very efficient during training and prediction processing the
entire input image in one single step. Our experiments on the MVTec AD dataset
demonstrate high recognition and localization performance of the proposed
method. On the texture-subset, in particular, our approach consistently
outperforms a bunch of recent anomaly detection methods by a big margin.
- Abstract(参考訳): 深層畳み込みオートエンコーダは、教師なしの方法で非線形次元の減少を学習するための効果的なツールを提供する。
近年,視覚領域における異常検出作業に用いられている。
異常のない例を用いて再構成誤差を最適化することにより、対応するネットワークがアプリケーションフェーズ内の異常領域を正確に再構成できない、という考え方が一般的である。
この目標は通常、ボトルネック層のサイズを縮小するか、アクティベーションに間隔制約を課すことで、ネットワークの容量を制御することで対処される。
しかし、どちらの手法も異常信号の再構成を明示的に罰しないため、しばしば検出が困難になる。
我々は,データ多様体に着目した学習において,修正された再構成誤差を用いて識別情報を活用できる自己教師型学習システムを適用することで,この問題に対処する。
これにより、モデルが局所的に一貫した再構成を生成するとともに、異常パターンのフィルタとして機能することで不規則性を置き換えることができる。
関連する手法とは対照的に,本手法による推論は,1ステップで入力画像全体を処理する訓練や予測において極めて効率的である。
MVTec ADデータセットを用いた実験により,提案手法の高認識と局所化性能を示す。
特にテクスチャ・サブセットでは,本手法は最近の異常検出手法を大きなマージンで一貫して上回っている。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Time-series Anomaly Detection via Contextual Discriminative Contrastive
Learning [0.0]
一級分類法は、異常検出タスクに一般的に使用される。
本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。
我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
論文 参考訳(メタデータ) (2023-04-16T21:36:19Z) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳(メタデータ) (2022-12-05T14:29:16Z) - Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。
近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。
提案手法を複数のデータセット上で評価し,その有効性を実証する。
論文 参考訳(メタデータ) (2022-11-29T11:06:29Z) - 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) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳(メタデータ) (2021-11-17T13:30:31Z) - 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) - Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
本稿では,異常検出に対する教師なし学習手法を提案する。
また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
論文 参考訳(メタデータ) (2020-03-30T05:30:09Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。