論文の概要: Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

• arxiv url: http://arxiv.org/abs/2207.10298v1
• Date: Thu, 21 Jul 2022 04:26:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:03:55.966561
• Title: Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey
• Title（参考訳）: 産業画像における教師なし異常局所化のための深層学習 : 調査
• Authors: Xian Tao, Xinyi Gong, Xin Zhang, Shaohua Yan and Chandranath Adak
• Abstract要約: 実際の産業シナリオでは、欠陥サンプルの不足、アノテーションのコスト、欠陥に関する事前知識の欠如は、教師付き手法を効果的にしない可能性がある。 近年, 産業検査作業において, 教師なしの異常局所化アルゴリズムが広く用いられている。
• 参考スコア（独自算出の注目度）: 3.281166249990719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, deep learning-based visual inspection has been highly successful with the help of supervised learning methods. However, in real industrial scenarios, the scarcity of defect samples, the cost of annotation, and the lack of a priori knowledge of defects may render supervised-based methods ineffective. In recent years, unsupervised anomaly localization algorithms have become more widely used in industrial inspection tasks. This paper aims to help researchers in this field by comprehensively surveying recent achievements in unsupervised anomaly localization in industrial images using deep learning. The survey reviews more than 120 significant publications covering different aspects of anomaly localization, mainly covering various concepts, challenges, taxonomies, benchmark datasets, and quantitative performance comparisons of the methods reviewed. In reviewing the achievements to date, this paper provides detailed predictions and analysis of several future research directions. This review provides detailed technical information for researchers interested in industrial anomaly localization and who wish to apply it to the localization of anomalies in other fields.
• Abstract（参考訳）: 現在,ディープラーニングに基づく視覚検査は,教師あり学習手法の助けを借りて高い成功を収めている。 しかし、実際の産業シナリオでは、欠陥サンプルの不足、アノテーションのコスト、欠陥に関する事前知識の欠如は、教師付き手法を効果的にしない可能性がある。 近年,非教師付き異常局在化アルゴリズムが産業検査タスクで広く利用されている。 本稿では, 深層学習を用いた産業画像における非監督的異常局所化の最近の成果を包括的に調査することにより, この分野の研究者を支援することを目的とする。 調査は120以上の重要な論文をレビューし、主に様々な概念、課題、分類学、ベンチマークデータセット、そしてレビューされた手法の定量的性能比較を取り上げている。 本稿では,これまでの成果を概観し,今後の研究方向性を詳細に予測し,分析する。 本総説では, 産業的異常局所化に関心があり, その他の分野における異常局所化に応用したい研究者に対して, 詳細な技術情報を提供する。

関連論文リスト

• ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。 より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Meta-survey on outlier and anomaly detection [0.0]
  本稿では,一般的な調査の体系的メタサーベイと,異常検出と異常検出に関するレビューを実装した。 2つの専門的な科学的な検索エンジンを使って500近い論文を集めている。 本稿は,20年間にわたる外乱検出フィールドの進化を考察し,新たなテーマと方法を明らかにする。
  論文  参考訳（メタデータ） (2023-12-12T09:29:22Z)
• Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection [89.49244928440221]
  産業異常検出に視覚専門家を適用した新しい大規模マルチモーダルモデル(Myriad)を提案する。 具体的には,MiniGPT-4をベースLMMとして採用し,Large Language Models (LLM) に理解可能なトークンとして,視覚専門家の事前知識を埋め込むために,Expert Perceptionモジュールを設計する。 視覚専門家の誤りや混乱を補うために,一般画像と産業画像の視覚的表現ギャップを埋めるために,ドメインアダプタを導入する。
  論文  参考訳（メタデータ） (2023-10-29T16:49:45Z)
• Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
  近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった 本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。 画像異常検出のオープニング課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2023-01-27T03:18:09Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis [28.79393419730138]
  時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。 近年,時系列データの異常検出が盛んに行われている。 データ、メソッド、評価戦略について紹介する。 我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
  論文  参考訳（メタデータ） (2022-09-10T10:44:25Z)
• A Survey on Unsupervised Anomaly Detection Algorithms for Industrial Images [2.4976719861186845]
  産業4.0の発展に伴い、表面欠陥検出・異常検出が産業分野の話題となっている。 教師なし学習は、上記の視覚的産業異常検出の欠点に対処する大きな可能性を持っている。
  論文  参考訳（メタデータ） (2022-04-24T01:38:18Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。