論文の概要: Visual Anomaly Detection Via Partition Memory Bank Module and Error
Estimation
- arxiv url: http://arxiv.org/abs/2209.12441v1
- Date: Mon, 26 Sep 2022 06:15:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:34:00.167005
- Title: Visual Anomaly Detection Via Partition Memory Bank Module and Error
Estimation
- Title（参考訳）: 分割メモリバンクモジュールによる視覚異常検出と誤差推定
- Authors: Peng Xing, Zechao Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.100204573591505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction method based on the memory module for visual anomaly detection
attempts to narrow the reconstruction error for normal samples while enlarging
it for anomalous samples. Unfortunately, the existing memory module is not
fully applicable to the anomaly detection task, and the reconstruction error of
the anomaly samples remains small. Towards this end, this work proposes a new
unsupervised visual anomaly detection method to jointly learn effective normal
features and eliminate unfavorable reconstruction errors. Specifically, a novel
Partition Memory Bank (PMB) module is proposed to effectively learn and store
detailed features with semantic integrity of normal samples. It develops a new
partition mechanism and a unique query generation method to preserve the
context information and then improves the learning ability of the memory
module. The proposed PMB and the skip connection are alternatively explored to
make the reconstruction of abnormal samples worse. To obtain more precise
anomaly localization results and solve the problem of cumulative reconstruction
error, a novel Histogram Error Estimation module is proposed to adaptively
eliminate the unfavorable errors by the histogram of the difference image. It
improves the anomaly localization performance without increasing the cost. To
evaluate the effectiveness of the proposed method for anomaly detection and
localization, extensive experiments are conducted on three widely-used anomaly
detection datasets. The encouraging performance of the proposed method compared
to the recent approaches based on the memory module demonstrates its
superiority.
- Abstract（参考訳）: 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、異常なサンプルに対して拡張しながら正常サンプルの再構成誤差を狭めようとする。
残念ながら、既存のメモリモジュールは異常検出タスクに完全に適用されておらず、異常サンプルの復元誤差は小さいままである。
そこで本研究では,効果的な正常特徴を共同学習し,不都合な再構成誤りを解消する,教師なし視覚異常検出手法を提案する。
具体的には,新しいパーティションメモリバンク(PMB)モジュールを提案し,通常のサンプルのセマンティックな整合性を持つ詳細な特徴を効果的に学習し,保存する。
コンテキスト情報を保存するための新しいパーティション機構とユニークなクエリ生成方法を開発し、メモリモジュールの学習能力を向上させる。
提案するpmbとスキップ接続は異常サンプルの再構成を悪化させるために検討されている。
より正確な局所化結果を得るとともに累積再構成誤差の問題を解決するために,差画像のヒストグラムによる不都合な誤差を適応的に除去する新しいヒストグラム誤差推定モジュールを提案する。
コストを増大させることなく、異常なローカライゼーション性能を向上させる。
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。
メモリモジュールに基づく最近の手法と比較して,提案手法の促進性能は,その優位性を示している。
関連論文リスト
- Noise-to-Norm Reconstruction for Industrial Anomaly Detection and
Localization [5.101905755052051]
異常検出は幅広い応用があり、特に工業品質検査において重要である。
再構成に基づく手法では, サンプルの位置差を考慮せずに, 再構成誤差を用いて異常を検出する。
本研究では, 異常領域の不変な再構成を回避するため, ノイズ・ツー・ノーム・パラダイムを用いた再構成手法を提案する。
論文 参考訳（メタデータ） (2023-07-06T08:06:48Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳（メタデータ） (2023-03-09T05:52:42Z) - Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
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。
論文 参考訳（メタデータ） (2022-08-08T02:39:03Z) - 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) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳（メタデータ） (2022-03-07T19:28:39Z) - 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) - Anomaly Detection with Prototype-Guided Discriminative Latent Embeddings [29.93983580779689]
本論文では,通常のデータの識別的プロトタイプを用いて映像フレームを再構築する異常検出手法を提案する。
このようにして、モデルは通常のイベントの再構築を支持し、異常なイベントの再構築を歪めます。
本手法の有効性を3つのベンチマークデータセットで評価し,提案手法が最先端を上回っていることを示す。
論文 参考訳（メタデータ） (2021-04-30T12:16:52Z) - Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
本稿では,異常検出に対する教師なし学習手法を提案する。
また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
論文 参考訳（メタデータ） (2020-03-30T05:30:09Z) - 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。