論文の概要: DSR -- A dual subspace re-projection network for surface anomaly detection

• arxiv url: http://arxiv.org/abs/2208.01521v1
• Date: Tue, 2 Aug 2022 15:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:19:55.486689
• Title: DSR -- A dual subspace re-projection network for surface anomaly detection
• Title（参考訳）: DSR -- 表面異常検出のための二重部分空間再投射ネットワーク
• Authors: Vitjan Zavrtanik, Matej Kristan, Danijel Sko\v{c}aj
• Abstract要約: 本稿では、画像レベルの異常合成要求を回避するために、デュアルデコーダDSRを用いた量子化された特徴空間表現に基づくアーキテクチャを提案する。 挑戦的な実世界のKSDD2データセットの実験は、DSRが他の教師なし表面異常検出方法よりも大幅に優れていることを示している。
• 参考スコア（独自算出の注目度）: 9.807317669057175
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The state-of-the-art in discriminative unsupervised surface anomaly detection relies on external datasets for synthesizing anomaly-augmented training images. Such approaches are prone to failure on near-in-distribution anomalies since these are difficult to be synthesized realistically due to their similarity to anomaly-free regions. We propose an architecture based on quantized feature space representation with dual decoders, DSR, that avoids the image-level anomaly synthesis requirement. Without making any assumptions about the visual properties of anomalies, DSR generates the anomalies at the feature level by sampling the learned quantized feature space, which allows a controlled generation of near-in-distribution anomalies. DSR achieves state-of-the-art results on the KSDD2 and MVTec anomaly detection datasets. The experiments on the challenging real-world KSDD2 dataset show that DSR significantly outperforms other unsupervised surface anomaly detection methods, improving the previous top-performing methods by 10% AP in anomaly detection and 35% AP in anomaly localization.
• Abstract（参考訳）: 識別的非教師なし表面異常検出の最先端は、異常提示訓練画像合成のための外部データセットに依存する。 このようなアプローチは、異常のない領域との類似性のため、現実的に合成することが難しいため、分布近傍の異常に失敗する傾向にある。 本論文では,画像レベルの異常合成を回避した2重デコーダdsrを用いた量子化特徴空間表現に基づくアーキテクチャを提案する。 異常の視覚的性質を仮定することなく、DSRは学習された量子化された特徴空間をサンプリングすることで特徴レベルで異常を生成する。 DSRはKSDD2およびMVTec異常検出データセットの最先端結果を達成する。 挑戦的な実世界のKSDD2データセットの実験では、DSRは他の教師なし表面異常検出方法よりも大幅に優れており、異常検出では10%AP、異常局所化では35%APで以前のトップパフォーマンス手法が改善されている。

関連論文リスト

• DAS3D: Dual-modality Anomaly Synthesis for 3D Anomaly Detection [5.062312533373299]
  本稿では3次元異常合成のための新しい2次元モード拡張法を提案する。 本稿では,再構成に基づく識別異常検出ネットワークを提案する。 提案手法は,検出精度において最先端の手法よりも優れ,競争力のあるセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T12:38:16Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• 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)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection [14.234783431842542]
  識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。 DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。 挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-08-17T13:17:29Z)
• Unsupervised Two-Stage Anomaly Detection [18.045265572566276]
  単一の画像からの異常検出は、異常データが常に稀で、予測不能な型を持つ可能性があるため、難しい。 本研究では,高忠実かつ異常のない再構成を生成する2段階アプローチを提案する。 提案手法は,4つの異常検出データセットの最先端性能を上回っている。
  論文  参考訳（メタデータ） (2021-03-22T08:57:27Z)

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。