論文の概要: Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2209.12440v1
• Date: Mon, 26 Sep 2022 06:14:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 16:34:34.332062
• Title: Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly Detection
• Title（参考訳）: 非教師付き異常検出のための自己教師付き誘導セグメンテーションフレームワーク
• Authors: Peng Xing, Yanpeng Sun, Zechao Li
• Abstract要約: 産業アプリケーションでは、教師なし異常検出は難しい課題である。 偽検体と実検体の間の分布ギャップは、偽検体に基づいて訓練されたモデルが実検体を効果的に見つけるのを困難にしている。 SGSF(Self-Supervised Guided Framework)は,異常検出のためのセグメンテーションのガイダンス情報として,鍛造された異常サンプルと通常のサンプル特徴を生成するために提案されている。
• 参考スコア（独自算出の注目度）: 24.26958675342856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection is a challenging task in industrial applications since it is impracticable to collect sufficient anomalous samples. In this paper, a novel Self-Supervised Guided Segmentation Framework (SGSF) is proposed by jointly exploring effective generation method of forged anomalous samples and the normal sample features as the guidance information of segmentation for anomaly detection. Specifically, to ensure that the generated forged anomaly samples are conducive to model training, the Saliency Augmentation Module (SAM) is proposed. SAM introduces a saliency map to generate saliency Perlin noise map, and develops an adaptive segmentation strategy to generate irregular masks in the saliency region. Then, the masks are utilized to generate forged anomalous samples as negative samples for training. Unfortunately, the distribution gap between forged and real anomaly samples makes it difficult for models trained based on forged samples to effectively locate real anomalies. Towards this end, the Self-supervised Guidance Network (SGN) is proposed. It leverages the self-supervised module to extract features that are noise-free and contain normal semantic information as the prior knowledge of the segmentation module. The segmentation module with the knowledge of normal patterns segments out the abnormal regions that are different from the guidance features. To evaluate the effectiveness of SGSF for anomaly detection, extensive experiments are conducted on three anomaly detection datasets. The experimental results show that SGSF achieves state-of-the-art anomaly detection results.
• Abstract（参考訳）: 非教師付き異常検出は、十分な異常サンプルの収集が不可能であるため、産業アプリケーションでは難しい課題である。 本稿では, 異常検出のためのセグメント化のガイダンス情報として, 鍛造異常試料の有効生成法と正常試料特徴を共同で検討し, 自己教師付きセグメント化フレームワーク (sgsf) を提案する。 具体的には, 生成した鍛造異常サンプルがモデルトレーニングに寄与することを保証するため, 塩分増強モジュール (sam) を提案する。 SAMは、サリエンシ・パーリンノイズマップを生成するためのサリエンシ・マップを導入し、サリエンシ領域で不規則なマスクを生成する適応セグメンテーション戦略を開発した。 そして、マスクを用いて鍛造された異常サンプルを負のサンプルとして生成する。 残念ながら、鍛造標本と実際の異常標本の間の分布ギャップは、鍛造標本に基づいて訓練されたモデルが実際の異常を効果的に見つけるのを困難にしている。 この目的のために,SGN(Self-supervised Guidance Network)を提案する。 自己教師付きモジュールを利用してノイズのない特徴を抽出し、セグメンテーションモジュールの事前知識として通常の意味情報を含む。 通常のパターンの知識を持つセグメンテーションモジュールは、ガイダンス機能とは異なる異常領域をセグメント化する。 異常検出におけるSGSFの有効性を評価するため、3つの異常検出データセットに対して広範な実験を行った。 実験の結果,sgsfは最先端の異常検出結果を得た。

関連論文リスト

• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• 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)
• Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
  本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。 具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。 生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
  論文  参考訳（メタデータ） (2022-11-24T13:03:20Z)
• 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)
• Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with Anomaly-Aware Bidirectional GANs [15.399369134281775]
  異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。 本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。 本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:12:49Z)
• 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)
• Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection [0.0]
  我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。 提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
  論文  参考訳（メタデータ） (2020-12-22T05:05:33Z)
• 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)

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。