論文の概要: Deep Autoencoders for Anomaly Detection in Textured Images using CW-SSIM
- arxiv url: http://arxiv.org/abs/2208.14045v1
- Date: Tue, 30 Aug 2022 08:01:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:39:05.658871
- Title: Deep Autoencoders for Anomaly Detection in Textured Images using CW-SSIM
- Title(参考訳): CW-SSIMを用いたテクスチャ画像の異常検出のためのディープオートエンコーダ
- Authors: Andrea Bionda, Luca Frittoli, Giacomo Boracchi
- Abstract要約: 複素ウェーブレット構造類似度(CW-SSIM)に基づく損失関数の適用により,この種の画像に対して優れた検出性能が得られることを示す。
既知の異常検出ベンチマーク実験により,この損失関数で訓練した単純なモデルにより,最先端の手法に匹敵する,あるいは優れた性能が得られることが示された。
- 参考スコア(独自算出の注目度): 5.042611743157464
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Detecting anomalous regions in images is a frequently encountered problem in
industrial monitoring. A relevant example is the analysis of tissues and other
products that in normal conditions conform to a specific texture, while defects
introduce changes in the normal pattern. We address the anomaly detection
problem by training a deep autoencoder, and we show that adopting a loss
function based on Complex Wavelet Structural Similarity (CW-SSIM) yields
superior detection performance on this type of images compared to traditional
autoencoder loss functions. Our experiments on well-known anomaly detection
benchmarks show that a simple model trained with this loss function can achieve
comparable or superior performance to state-of-the-art methods leveraging
deeper, larger and more computationally demanding neural networks.
- Abstract(参考訳): 画像中の異常領域の検出は,産業モニタリングにおいて頻繁に発生する問題である。
関連する例として、正常な条件で特定のテクスチャに適合する組織やその他の産物の分析があるが、欠陥は正常なパターンの変化をもたらす。
本稿では,複雑なウェーブレット構造類似度(cw-ssim)に基づく損失関数を採用することで,従来のオートエンコーダ損失関数と比較して,このタイプの画像に対して優れた検出性能が得られることを示す。
我々のよく知られた異常検出ベンチマーク実験は、この損失関数で訓練された単純なモデルが、より深く、より大きく、より計算的に要求されるニューラルネットワークを活用する最先端の手法に匹敵する、あるいは優れた性能を達成できることを示している。
関連論文リスト
- A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。
復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。
実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-05-15T07:20:27Z) - 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) - Defect Detection in Tire X-Ray Images: Conventional Methods Meet Deep
Structures [4.111152565355453]
本研究は,欠陥検出システムの性能向上のための特徴工学の重要性を強調した。
実験により, タイヤ欠陥検出の精度と信頼性を, 微調整および機械学習モデルと組み合わせることで, タイヤ欠陥検出の精度と信頼性を著しく向上できることを示した。
論文 参考訳(メタデータ) (2024-02-28T18:07:47Z) - ReSynthDetect: A Fundus Anomaly Detection Network with Reconstruction
and Synthetic Features [5.655822001453255]
本稿では,正常画像のモデリングのための再構成ネットワークと,基礎画像の外観に整合した合成異常を生成する異常生成器を提案する。
実験の結果,EyeQではAUROCが9%改善し,IDRiDではAUPRが17.1%改善した。
論文 参考訳(メタデータ) (2023-12-27T08:40:23Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar
Imaging [11.12267144061017]
本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。
提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。
従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
論文 参考訳(メタデータ) (2022-10-28T10:22:29Z) - 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) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - AnoViT: Unsupervised Anomaly Detection and Localization with Vision
Transformer-based Encoder-Decoder [3.31490164885582]
我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。
提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-03-21T09:01:37Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z)
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。