論文の概要: AltUB: Alternating Training Method to Update Base Distribution of Normalizing Flow for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2210.14913v1
• Date: Wed, 26 Oct 2022 16:31:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 13:01:20.896642
• Title: AltUB: Alternating Training Method to Update Base Distribution of Normalizing Flow for Anomaly Detection
• Title（参考訳）: AltUB:異常検出のための正規化フローのベース分布更新のための代替訓練方法
• Authors: Yeongmin Kim, Huiwon Jang, DongKeon Lee, and Ho-Jin Choi
• Abstract要約: 近年,様々な領域において,教師なし異常検出が注目されている。 その主なアプローチの1つは正規化フローであり、複素分布の像としての可逆変換を N(0, I) として簡単な分布に変換することである。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection is coming into the spotlight these days in various practical domains due to the limited amount of anomaly data. One of the major approaches for it is a normalizing flow which pursues the invertible transformation of a complex distribution as images into an easy distribution as N(0, I). In fact, algorithms based on normalizing flow like FastFlow and CFLOW-AD establish state-of-the-art performance on unsupervised anomaly detection tasks. Nevertheless, we investigate these algorithms convert normal images into not N(0, I) as their destination, but an arbitrary normal distribution. Moreover, their performances are often unstable, which is highly critical for unsupervised tasks because data for validation are not provided. To break through these observations, we propose a simple solution AltUB which introduces alternating training to update the base distribution of normalizing flow for anomaly detection. AltUB effectively improves the stability of performance of normalizing flow. Furthermore, our method achieves the new state-of-the-art performance of the anomaly segmentation task on the MVTec AD dataset with 98.8% AUROC.
• Abstract（参考訳）: 近年,異常データ量が限られているため,様々な領域で異常検出が注目されている。 その主なアプローチの1つは正規化フローであり、複素分布の像としての可逆変換を N(0, I) として容易に分布に変換することである。 実際、fastflowやcflow-adのような正規化フローに基づくアルゴリズムは、教師なし異常検出タスクで最先端のパフォーマンスを確立する。 それにもかかわらず、これらのアルゴリズムは通常の画像をN(0, I)ではなく任意の正規分布に変換する。 さらに、その性能はしばしば不安定であり、検証のためのデータが提供されないため、教師なしタスクにとって非常に重要となる。 そこで本研究では,異常検出のための正規化フローのベース分布を更新するために,交互トレーニングを導入する単純なaltubを提案する。 AltUBは、正規化フローの性能の安定性を効果的に向上する。 さらに,AUROC 98.8% の MVTec AD データセット上で,異常セグメンテーションタスクの最先端性能を実現する。

関連論文リスト

• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• 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)
• 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)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• 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)
• FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows [18.062328700407726]
  本稿では,ResNet や Vision Transformer など,任意の機能抽出用プラグインモジュールとしてFastFlowを提案する。 トレーニングフェーズでは、FastFlowは入力された視覚的特徴を抽出可能な分布に変換することを学び、推論フェーズにおける異常を認識する可能性を得る。 提案手法は推論効率の高い異常検出において99.4%のAUCを実現する。
  論文  参考訳（メタデータ） (2021-11-15T11:15:02Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• 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)

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。