論文の概要: Registration based Few-Shot Anomaly Detection
- arxiv url: http://arxiv.org/abs/2207.07361v1
- Date: Fri, 15 Jul 2022 09:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 14:14:53.555196
- Title: Registration based Few-Shot Anomaly Detection
- Title(参考訳): 登録に基づくマイラルショット異常検出
- Authors: Chaoqin Huang, Haoyan Guan, Aofan Jiang, Ya Zhang, Michael Spratling,
Yan-Feng Wang
- Abstract要約: 本稿では,異常検出のための実用的かつ未検討の設定であるFSADについて考察する。
既存のFSAD研究は、標準ADに使用される1モデル毎の学習パラダイムに従っている。
人間が異常を検出する方法にインスパイアされた私たちは、本質的にカテゴリ間で一般化可能なイメージアライメントタスクである登録を活用します。
テスト中は、テスト画像の登録された特徴と対応するサポート(通常)画像とを比較して異常を識別する。
- 参考スコア(独自算出の注目度): 19.46397954621789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers few-shot anomaly detection (FSAD), a practical yet
under-studied setting for anomaly detection (AD), where only a limited number
of normal images are provided for each category at training. So far, existing
FSAD studies follow the one-model-per-category learning paradigm used for
standard AD, and the inter-category commonality has not been explored. Inspired
by how humans detect anomalies, i.e., comparing an image in question to normal
images, we here leverage registration, an image alignment task that is
inherently generalizable across categories, as the proxy task, to train a
category-agnostic anomaly detection model. During testing, the anomalies are
identified by comparing the registered features of the test image and its
corresponding support (normal) images. As far as we know, this is the first
FSAD method that trains a single generalizable model and requires no
re-training or parameter fine-tuning for new categories. Experimental results
have shown that the proposed method outperforms the state-of-the-art FSAD
methods by 3%-8% in AUC on the MVTec and MPDD benchmarks.
- Abstract(参考訳): 本稿では,訓練中の各カテゴリに限定された正規画像のみを提供する,実用的かつ未熟な異常検出(ad)設定である,少数ショット異常検出(fsad)について考察する。
これまでのFSAD研究は、標準ADに使用される1モデル毎の学習パラダイムに従っており、カテゴリー間共通性は検討されていない。
ヒトが異常を検知する方法、すなわち正常な画像と比較することで、私たちは、カテゴリ間で本質的に一般化可能な画像アライメントタスクである登録を活用して、カテゴリに依存しない異常検出モデルを訓練する。
テスト中は、テスト画像の登録された特徴と対応するサポート(通常)画像とを比較して異常を識別する。
我々の知る限り、これは単一の一般化可能なモデルを訓練し、新しいカテゴリに対する再学習やパラメータの微調整を必要としない最初のFSAD手法である。
実験により,提案手法は,MVTecおよびMPDDベンチマークにおいて,AUCの最先端FSAD法を3%-8%上回る性能を示した。
関連論文リスト
- Toward Generalist Anomaly Detection via In-context Residual Learning
with Few-shot Sample Prompts [30.278418852521344]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、異なるアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。
InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。
クエリ画像と数発のサンプルプロンプト間の残差の全体的評価に基づいて、通常のサンプルから異常を識別する補助データセットを用いて訓練する。
論文 参考訳(メタデータ) (2024-03-11T08:07:46Z) - Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。
これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。
提案手法はAPやAUCといった最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2024-03-02T10:42:47Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - Dual-distribution discrepancy with self-supervised refinement for
anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。
再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。
本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文 参考訳(メタデータ) (2022-10-09T11:18:45Z) - Dual-Distribution Discrepancy for Anomaly Detection in Chest X-Rays [29.57501199670898]
本稿では, 正規画像とラベルなし画像の両方を利用した新しい手法であるDual-Distribution Disrepancy for Anomaly Detection (DDAD)を提案する。
3つのCXRデータセットの実験により、提案されたDDADが一貫した重要なゲインを達成し、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-06-08T14:52:27Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly
Detection and Segmentation in Medical Images [31.676609117780114]
教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。
コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-09-03T04:25:57Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳(メタデータ) (2021-04-08T19:04:55Z) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳(メタデータ) (2021-03-05T01:56:58Z) - Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。
これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。
非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文 参考訳(メタデータ) (2020-08-28T23:05:15Z)
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。