Fugu-MT 論文翻訳(概要): Clear Memory-Augmented Auto-Encoder for Surface Defect Detection

論文の概要: Clear Memory-Augmented Auto-Encoder for Surface Defect Detection

arxiv url: http://arxiv.org/abs/2208.03879v1
Date: Mon, 8 Aug 2022 02:39:03 GMT
ステータス: 処理完了
システム内更新日: 2022-08-09 12:28:52.466713
Title: Clear Memory-Augmented Auto-Encoder for Surface Defect Detection
Title（参考訳）: 表面欠陥検出のためのクリアメモリ拡張オートエンコーダ
Authors: Wei Luo, Tongzhi Niu, Lixin Tang, Wenyong Yu, Bin Li
Abstract要約: 本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
参考スコア（独自算出の注目度）: 10.829080460965478
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In surface defect detection, due to the extreme imbalance in the number of positive and negative samples, positive-samples-based anomaly detection methods have received more and more attention. Specifically, reconstruction-based methods are the most popular. However, exiting methods are either difficult to repair abnormal foregrounds or reconstruct clear backgrounds. Therefore, we propose a clear memory-augmented auto-encoder. At first, we propose a novel clear memory-augmented module, which combines the encoding and memory-encoding in a way of forgetting and inputting, thereby repairing abnormal foregrounds and preservation clear backgrounds. Secondly, a general artificial anomaly generation algorithm is proposed to simulate anomalies that are as realistic and feature-rich as possible. At last, we propose a novel multi scale feature residual detection method for defect segmentation, which makes the defect location more accurate. CMA-AE conducts comparative experiments using 11 state-of-the-art methods on five benchmark datasets, showing an average 18.6% average improvement in F1-measure.
Abstract（参考訳）: 表面欠陥検出では, 正および負のサンプル数の極端不均衡により, 正のサンプルに基づく異常検出法がますます注目されている。特にレコンストラクションベースの手法が最も一般的である。しかし、異常な前景の修復やクリアな背景の再構築は困難である。そこで,メモリ拡張型オートエンコーダを提案する。まず, メモリエンコードとメモリエンコードを組み合わせた, 新たなメモリ拡張モジュールを提案し, 異常な前景を修復し, 背景を保存した。第二に, 可能な限りリアルで特徴豊かな異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。最後に, 欠陥位置を精度良くする, 欠陥分割のための新しいマルチスケール特徴残差検出法を提案する。 CMA-AEは5つのベンチマークデータセットで11の最先端手法を用いて比較実験を行い、平均18.6%のF1測定値の改善を示した。

関連論文リスト

Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-02-28T12:38:44Z)
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)
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)
Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-28T01:57:57Z)
Reference-Based Autoencoder for Surface Defect Detection [7.163582730053925]
種々のテクスチャ欠陥を正確に検査するために, RB-AE (unsupervised reference-based autoencoder) を提案する。モデルが画素レベルの識別能力を得ることができるように、人工欠陥と新たな画素レベルの識別損失関数をトレーニングに活用する。
論文参考訳（メタデータ） (2022-11-18T07:13:55Z)
Visual Anomaly Detection Via Partition Memory Bank Module and Error Estimation [28.100204573591505]
視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
論文参考訳（メタデータ） (2022-09-26T06:15:47Z)
Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文参考訳（メタデータ） (2022-09-25T04:56:10Z)
A Feature Memory Rearrangement Network for Visual Inspection of Textured Surface Defects Toward Edge Intelligent Manufacturing [4.33060257697635]
本稿では,様々なテクスチャ欠陥を同時に検出するための,教師なし機能メモリ再構成ネットワーク(FMR-Net)を提案する。人工的な人工的な欠陥を用いて、モデルが異常を認識できるようにし、従来の知恵は欠陥のないサンプルにのみ依存する。 FMR-Netは最先端の検査精度を示し、エッジコンピューティング対応のスマート産業で大きな可能性を秘めている。
論文参考訳（メタデータ） (2022-06-22T04:05:13Z)
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)
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)
Memory Augmented Generative Adversarial Networks for Anomaly Detection [12.341523221155708]
メモリAugmented Generative Adrial Networks (MEMGAN) は、エンコーディングと生成の両方のためにメモリモジュールと相互作用する。我々のアルゴリズムは、ほとんどのテキストエンコードされた正規データは、メモリユニットの凸内にあるが、異常データは外部から分離されている。 MEMGANのデコードメモリユニットは、従来の方法よりも解釈可能であり、また、メモリメカニズムの有効性を示す。
論文参考訳（メタデータ） (2020-02-07T08:46:26Z)

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。