論文の概要: Reference-Based Autoencoder for Surface Defect Detection

• arxiv url: http://arxiv.org/abs/2211.10060v1
• Date: Fri, 18 Nov 2022 07:13:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 13:57:35.017140
• Title: Reference-Based Autoencoder for Surface Defect Detection
• Title（参考訳）: 表面欠陥検出のための参照ベースオートエンコーダ
• Authors: Wei Luo, Haiming Yao, Wenyong Yu and Xue Wang
• Abstract要約: 種々のテクスチャ欠陥を正確に検査するために, RB-AE (unsupervised reference-based autoencoder) を提案する。 モデルが画素レベルの識別能力を得ることができるように、人工欠陥と新たな画素レベルの識別損失関数をトレーニングに活用する。
• 参考スコア（独自算出の注目度）: 7.163582730053925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the extreme imbalance in the number of normal data and abnormal data, visual anomaly detection is important for the development of industrial automatic product quality inspection. Unsupervised methods based on reconstruction and embedding have been widely studied for anomaly detection, of which reconstruction-based methods are the most popular. However, establishing a unified model for textured surface defect detection remains a challenge because these surfaces can vary in homogeneous and non regularly ways. Furthermore, existing reconstruction-based methods do not have a strong ability to convert the defect feature to the normal feature. To address these challenges, we propose a novel unsupervised reference-based autoencoder (RB-AE) to accurately inspect a variety of textured defects. Unlike most reconstruction-based methods, artificial defects and a novel pixel-level discrimination loss function are utilized for training to enable the model to obtain pixel-level discrimination ability. First, the RB-AE employs an encoding module to extract multi-scale features of the textured surface. Subsequently, a novel reference-based attention module (RBAM) is proposed to convert the defect features to normal features to suppress the reconstruction of defects. In addition, RBAM can also effectively suppress the defective feature residual caused by skip-connection. Next, a decoding module utilizes the repaired features to reconstruct the normal texture background. Finally, a novel multiscale feature discrimination module (MSFDM) is employed to defect detection and segmentation.
• Abstract（参考訳）: 産業用自動製品品質検査の開発には, 正常データ数と異常データ数が極端に不均衡であるため, 視覚異常検出が重要である。 再建法と埋没法に基づく教師なし法は, 異常検出のために広く研究されており, 再建法が最も一般的である。 しかし, 表面欠陥検出の統一モデルの構築は, 均質かつ非定常的に異なるため, 依然として課題である。 さらに、既存のレコンストラクションベースのメソッドは、欠陥の特徴を通常の特徴に変換する強力な能力を持っていません。 これらの課題に対処するために, 多様なテクスチャ欠陥を正確に検査する, RB-AE (unsupervised reference-based autoencoder) を提案する。 多くの再構成法と異なり、人工的欠陥と新しい画素レベルの識別損失関数がトレーニングに利用され、モデルがピクセルレベルの識別能力を得ることができる。 まず、RB-AEは、テクスチャ面のマルチスケール特徴を抽出するために符号化モジュールを使用する。 その後,新しい参照型アテンションモジュール (RBAM) が提案され,欠陥の復元を抑えるために,欠陥特徴を通常の特徴に変換する。 また、RBAMはスキップ接続による欠陥特徴残差を効果的に抑制することができる。 次に、デコードモジュールは、修復された特徴を利用して、通常のテクスチャ背景を再構築する。 最後に,新しいマルチスケール特徴識別モジュール (MSFDM) を用いて欠陥検出とセグメンテーションを行う。

関連論文リスト

• Feature Purified Transformer With Cross-level Feature Guiding Decoder For Multi-class OOD and Anomaly Deteciton [22.59400036717643]
  本稿では,FPM(Feature Purification Module)とCFGデコーダの2つの革新的なモジュールを組み込んだFUTUREGフレームワークを紹介する。 FPMは、潜在空間内の正規性境界を制約し、異常な特徴を効果的にフィルタリングする。 CFGデコーダは層単位でのエンコーダ表現を使用してフィルタされた特徴の再構築を誘導し、きめ細かい詳細を保存する。
  論文  参考訳（メタデータ） (2024-04-30T16:45:51Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• 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)
• Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection [4.772323272202286]
  正常な特徴と異常な特徴の両方を学習するための2ストリームデコーダネットワーク(TSDN)を提案する。 また、異常な特徴を排除し、異常領域の高品質な再構成を防止するための特徴正規度推定器(FNE)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:46:09Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• 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)
• A Feature Memory Rearrangement Network for Visual Inspection of Textured Surface Defects Toward Edge Intelligent Manufacturing [4.33060257697635]
  本稿では,様々なテクスチャ欠陥を同時に検出するための,教師なし機能メモリ再構成ネットワーク(FMR-Net)を提案する。 人工的な人工的な欠陥を用いて、モデルが異常を認識できるようにし、従来の知恵は欠陥のないサンプルにのみ依存する。 FMR-Netは最先端の検査精度を示し、エッジコンピューティング対応のスマート産業で大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-06-22T04:05:13Z)
• 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)
• 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。