論文の概要: Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing
Flow and Dictionary Learning
- arxiv url: http://arxiv.org/abs/2209.07005v1
- Date: Thu, 15 Sep 2022 02:25:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 12:51:35.067678
- Title: Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing
Flow and Dictionary Learning
- Title(参考訳): 正規化フローと辞書学習を用いた自己教師付きテクスチャ画像異常検出
- Authors: Yaohua Guo, Lijuan Song, Zirui Ma
- Abstract要約: 異常識別における一般的な研究領域は、テクスチャ背景に基づく産業画像異常検出である。
テクスチャ画像の干渉とテクスチャ異常の微妙さが、多くの既存モデルが異常の検出に失敗した主な理由である。
本稿では,上記の質問に基づいて,辞書学習と正規化フローを組み合わせた異常検出手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common study area in anomaly identification is industrial images anomaly
detection based on texture background. The interference of texture images and
the minuteness of texture anomalies are the main reasons why many existing
models fail to detect anomalies. We propose a strategy for anomaly detection
that combines dictionary learning and normalizing flow based on the
aforementioned questions. The two-stage anomaly detection approach already in
use is enhanced by our method. In order to improve baseline method, this
research add normalizing flow in representation learning and combines deep
learning and dictionary learning. Improved algorithms have exceeded 95$\%$
detection accuracy on all MVTec AD texture type data after experimental
validation. It shows strong robustness. The baseline method's detection
accuracy for the Carpet data was 67.9%. The article was upgraded, raising the
detection accuracy to 99.7%.
- Abstract(参考訳): 異常識別における一般的な研究領域は、テクスチャ背景に基づく産業画像異常検出である。
テクスチャ画像の干渉とテクスチャ異常の微小さが、多くの既存モデルが異常の検出に失敗した主な理由である。
本稿では,前述の質問に基づく辞書学習と正規化フローを組み合わせた異常検出手法を提案する。
すでに使用されている2段階異常検出手法は,本手法により強化されている。
本研究は,ベースライン法を改善するために,表現学習における正規化フローを追加し,ディープラーニングと辞書学習を組み合わせる。
改良されたアルゴリズムは、実験的検証の後、すべてのMVTec ADテクスチャ型データに対して95$\%の精度で検出された。
強い強靭さを示す。
カーペットデータのベースライン検出精度は67.9%であった。
記事はアップグレードされ、検出精度は99.7%に向上した。
関連論文リスト
- 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) - Normality Learning-based Graph Anomaly Detection via Multi-Scale
Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。
本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。
特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文 参考訳(メタデータ) (2023-09-12T08:06:04Z) - On the Effectiveness of Image Manipulation Detection in the Age of
Social Media [9.227950734832447]
操作検出アルゴリズムは、画像内の他の非干渉領域と十分に異なる'操作された領域に依存していることが多い。
本稿では,ディープラーニングと学習自由な手法の詳細な分析を行い,その性能をベンチマークデータセット上で評価する。
本稿では,操作領域に存在する異常をアクセント化する,ディープラーニングに基づく新しい前処理手法を提案する。
論文 参考訳(メタデータ) (2023-04-19T04:05:54Z) - 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) - Reconstructed Student-Teacher and Discriminative Networks for Anomaly
Detection [8.35780131268962]
学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。
本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。
さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
論文 参考訳(メタデータ) (2022-10-14T05:57:50Z) - 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) - 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) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳(メタデータ) (2021-04-08T19:04:55Z) - Patch SVDD: Patch-level SVDD for Anomaly Detection and Segmentation [30.499125737099185]
異常検出は、入力画像が異常を含むかどうかを二項決定する。
我々は,自己教師付き学習を用いたパッチベースの手法に,サポートベクタデータ記述(SVDD)を拡張した。
本研究は,提案手法の有効性と産業応用の可能性を示すものである。
論文 参考訳(メタデータ) (2020-06-29T14:19:47Z)
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。