論文の概要: The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and
Localization
- arxiv url: http://arxiv.org/abs/2210.04570v1
- Date: Mon, 10 Oct 2022 11:19:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 18:06:16.978455
- Title: The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and
Localization
- Title（参考訳）: 教師なしマルチモーダル異常検出と局在のためのeyecandiesデータセット
- Authors: Luca Bonfiglioli, Marco Toschi, Davide Silvestri, Nicola Fioraio,
Daniele De Gregorio
- Abstract要約: Eyecandiesは、教師なしの異常検出とローカライゼーションのための新しいデータセットである。
複数の雷条件下で、手続き的に生成されたキャンディーのフォトリアリスティック画像が制御された環境でレンダリングされる。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Eyecandies, a novel synthetic dataset for unsupervised anomaly
detection and localization. Photo-realistic images of procedurally generated
candies are rendered in a controlled environment under multiple lightning
conditions, also providing depth and normal maps in an industrial conveyor
scenario. We make available anomaly-free samples for model training and
validation, while anomalous instances with precise ground-truth annotations are
provided only in the test set. The dataset comprises ten classes of candies,
each showing different challenges, such as complex textures, self-occlusions
and specularities. Furthermore, we achieve large intra-class variation by
randomly drawing key parameters of a procedural rendering pipeline, which
enables the creation of an arbitrary number of instances with photo-realistic
appearance. Likewise, anomalies are injected into the rendering graph and
pixel-wise annotations are automatically generated, overcoming human-biases and
possible inconsistencies.
We believe this dataset may encourage the exploration of original approaches
to solve the anomaly detection task, e.g. by combining color, depth and normal
maps, as they are not provided by most of the existing datasets. Indeed, in
order to demonstrate how exploiting additional information may actually lead to
higher detection performance, we show the results obtained by training a deep
convolutional autoencoder to reconstruct different combinations of inputs.
- Abstract（参考訳）: 教師なし異常検出および局所化のための新しい合成データセットであるEyecandiesを提案する。
複数の雷条件下で制御された環境下でプロシージャ生成したキャンディーの光リアル画像がレンダリングされ、産業用コンベアのシナリオで深度と正常マップが提供される。
モデルトレーニングとバリデーションのための異常なサンプルを利用可能とし, 正確な接地トルースアノテーションを持つ異常なインスタンスをテストセットでのみ提供する。
データセットは10種類のキャンディーで構成され、それぞれが複雑なテクスチャ、自己閉塞、特異性など、さまざまな課題を示す。
さらに,プロシージャレンダリングパイプラインのキーパラメータをランダムに描画し,任意の数のインスタンスをフォトリアリスティックな外観で作成することで,クラス内の大きな変動を実現する。
同様に、レンダリンググラフに異常が注入され、ピクセル単位でのアノテーションが自動的に生成される。
このデータセットは、例えば、色、深さ、正規マップを組み合わせることで、既存のほとんどのデータセットでは提供されないような、異常検出タスクを解決するためのオリジナルのアプローチの探求を促す可能性がある。
実際、追加情報の利用によって検出性能が向上する可能性を実証するために、深い畳み込みオートエンコーダを訓練し、異なる入力の組み合わせを再構築した結果を示す。
関連論文リスト
- Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - CUT: A Controllable, Universal, and Training-Free Visual Anomaly Generation Framework [11.609545429511595]
我々は、制御可能、ユニバーサル、およびトレーニング不要な視覚異常生成フレームワークであるCUTを提案する。
不可視データと新規な異常型の両方にわたって,制御可能かつ現実的な異常生成を実現する。
生成した異常サンプルを用いてVLADモデルをトレーニングすることにより、複数のベンチマーク異常検出タスクで最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-06-03T07:58:09Z) - Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳（メタデータ） (2024-03-27T02:24:00Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - Anomaly Detection in Automated Fibre Placement: Learning with Data
Limitations [3.103778949672542]
自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。
我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。
様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
論文 参考訳（メタデータ） (2023-07-15T22:13:36Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳（メタデータ） (2022-07-03T20:11:51Z) - 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)
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。