論文の概要: nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation
Methods
- arxiv url: http://arxiv.org/abs/2209.01124v1
- Date: Fri, 2 Sep 2022 15:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:32:02.534541
- Title: nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation
Methods
- Title(参考訳): nnOOD: 自己管理型異常局所化手法のベンチマークのためのフレームワーク
- Authors: Matthew Baugh, Jeremy Tan, Athanasios Vlontzos, Johanna P. M\"uller,
Bernhard Kainz
- Abstract要約: nnOOD は nnU-Net に適応し、自己教師付き異常局所化法の比較を可能にする。
我々は現在の最先端タスクを実装し、それを挑戦的なX線データセットで評価する。
- 参考スコア(独自算出の注目度): 4.31513157813239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The wide variety of in-distribution and out-of-distribution data in medical
imaging makes universal anomaly detection a challenging task. Recently a number
of self-supervised methods have been developed that train end-to-end models on
healthy data augmented with synthetic anomalies. However, it is difficult to
compare these methods as it is not clear whether gains in performance are from
the task itself or the training pipeline around it. It is also difficult to
assess whether a task generalises well for universal anomaly detection, as they
are often only tested on a limited range of anomalies. To assist with this we
have developed nnOOD, a framework that adapts nnU-Net to allow for comparison
of self-supervised anomaly localisation methods. By isolating the synthetic,
self-supervised task from the rest of the training process we perform a more
faithful comparison of the tasks, whilst also making the workflow for
evaluating over a given dataset quick and easy. Using this we have implemented
the current state-of-the-art tasks and evaluated them on a challenging X-ray
dataset.
- Abstract(参考訳): 医用画像における分布内および分布外データの多様さは、普遍的異常検出を困難な課題にしている。
近年,合成異常を付加した健康データに基づくエンドツーエンドモデルを訓練する自己指導手法が数多く開発されている。
しかしながら、パフォーマンスの向上がタスク自体からなのか、あるいはそれを取り巻くトレーニングパイプラインからなのかは定かではないため、これらの方法を比較することは困難である。
タスクが普遍的な異常検出のためにうまく一般化するかどうかを評価することも困難であり、それらは限られた範囲の異常でのみテストされることが多い。
そこで我々は,自己教師付き異常局所化手法の比較を可能にするため,nnU-Netに適応するフレームワークであるnnOODを開発した。
合成された自己教師付きタスクを他のトレーニングプロセスから分離することで、タスクをより忠実に比較すると同時に、所定のデータセット上で評価するためのワークフローを迅速かつ容易にします。
これを用いて、現在の最先端タスクを実装し、挑戦的なX線データセットで評価した。
関連論文リスト
- A Generic Machine Learning Framework for Fully-Unsupervised Anomaly
Detection with Contaminated Data [0.0]
本稿では,ADタスクに対する汚染されたトレーニングデータの完全教師なし改善のためのフレームワークを提案する。
このフレームワークは汎用的であり、任意の残差ベースの機械学習モデルに適用することができる。
本研究は, 改質を伴わない汚染データを用いた学習において, ナイーブなアプローチよりも明らかに優れていることを示す。
論文 参考訳(メタデータ) (2023-08-25T12:47:59Z) - Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳(メタデータ) (2023-08-18T17:59:01Z) - Many tasks make light work: Learning to localise medical anomalies from
multiple synthetic tasks [2.912977051718473]
シングルクラスモデリングとアウト・オブ・ディストリビューション検出への関心が高まっている。
完全な教師付き機械学習モデルは、トレーニングに含まれていないクラスを確実に識別することはできない。
我々は,複数の視覚的に識別可能な合成異常学習タスクを,トレーニングと検証の両方に利用している。
論文 参考訳(メタデータ) (2023-07-03T09:52:54Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳(メタデータ) (2021-04-06T22:53:45Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-03-01T01:43:04Z) - Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
監視されたディープネットワークは、放射線学者による多数の注釈を取る。
私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。
本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
論文 参考訳(メタデータ) (2021-02-19T12:32:58Z) - Self-supervised driven consistency training for annotation efficient
histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。
本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。
また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文 参考訳(メタデータ) (2021-02-07T19:46:21Z) - Learn what you can't learn: Regularized Ensembles for Transductive
Out-of-distribution Detection [76.39067237772286]
ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。
本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。
本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
論文 参考訳(メタデータ) (2020-12-10T16:55:13Z) - Interpretable Anomaly Detection with Mondrian P{\'o}lya Forests on Data
Streams [6.177270420667713]
スケールでの異常検出は、非常に困難な実用性の問題である。
最近の研究は、異常検出のためのデータを要約するために、(ランダムな)$k$emphd-treesのバリエーションを合体させてきた。
これらの手法は、容易に解釈できないアドホックスコア関数に依存している。
我々はこれらの手法をモンドリアンポリアフォレストと呼ぶ確率的枠組みでコンテキスト化する。
論文 参考訳(メタデータ) (2020-08-04T13:19:07Z)
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。