論文の概要: U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with
Unsupervised Threshold
- arxiv url: http://arxiv.org/abs/2211.12353v1
- Date: Tue, 22 Nov 2022 15:43:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 18:28:39.694856
- Title: U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with
Unsupervised Threshold
- Title(参考訳): U-Flow: 教師なし閾値による異常検出のためのU字型正規化フロー
- Authors: Mat\'ias Tailanian, \'Alvaro Pardo, Pablo Mus\'e
- Abstract要約: 画像中の異常検出とセグメンテーションのための非競合手法を提案する。
現代の機械学習アプローチと、より古典的な統計的検出理論の恩恵を受けている。
どちらの指標に対しても、提案手法は最先端の結果を生成する。
- 参考スコア(独自算出の注目度): 0.2578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we propose a non-contrastive method for anomaly detection and
segmentation in images, that benefits both from a modern machine learning
approach and a more classic statistical detection theory. The method consists
of three phases. First, features are extracted by making use of a multi-scale
image Transformer architecture. Then, these features are fed into a U-shaped
Normalizing Flow that lays the theoretical foundations for the last phase,
which computes a pixel-level anomaly map, and performs a segmentation based on
the a contrario framework. This multiple hypothesis testing strategy permits to
derive a robust automatic detection threshold, which is key in many real-world
applications, where an operational point is needed. The segmentation results
are evaluated using the Intersection over Union (IoU) metric, and for assessing
the generated anomaly maps we report the area under the Receiver Operating
Characteristic curve (ROC-AUC) at both image and pixel level. For both metrics,
the proposed approach produces state-of-the-art results, ranking first in most
MvTec-AD categories, with a mean pixel-level ROC- AUC of 98.74%. Code and
trained models are available at https://github.com/mtailanian/uflow.
- Abstract(参考訳): 本研究では,画像の異常検出とセグメンテーションのための非コントラスト的手法を提案する。
この方法は3つの段階からなる。
まず,マルチスケールの画像変換アーキテクチャを用いて特徴を抽出する。
次に、これらの特徴をu字型正規化フローに供給し、最終フェーズの理論的基礎を成し、画素レベルの異常マップを計算し、a対数フレームワークに基づくセグメンテーションを実行する。
この多重仮説テスト戦略は、運用ポイントが必要な多くの実世界のアプリケーションにおいて鍵となる、堅牢な自動検出しきい値の導出を可能にする。
iou(intersection over union)メトリックを用いてセグメンテーション結果を評価し、生成された異常マップを評価するために、画像および画素レベルで受信者動作特性曲線(roc-auc)下の領域を報告する。
どちらの指標に対しても、提案手法は最先端の結果を生成し、ほとんどのMvTec-ADカテゴリで第1位、平均ピクセルレベルのROC-AUCは98.74%である。
コードとトレーニングされたモデルはhttps://github.com/mtailanian/uflowで入手できる。
関連論文リスト
- 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) - Exploiting Diffusion Prior for Generalizable Pixel-Level Semantic
Prediction [93.35493328885372]
我々は、画素レベルのセマンティック予測タスクの先行として、事前訓練されたT2Iモデルを導入する。
我々は一連の実験を通して拡散過程を再構成し、入力されたRGB画像と出力予測分布との決定論的マッピングを確立する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - A Prototype-Based Neural Network for Image Anomaly Detection and
Localization [12.172214359717756]
本稿では,画像の異常検出と局所化のためのプロトタイプベースニューラルネットワークProtoADを提案する。
まず,自然画像に事前学習したディープネットワークにより,通常の画像のパッチの特徴を抽出する。
ProtoADは、推論速度の高い最先端の手法と比較して、競争性能が向上する。
論文 参考訳(メタデータ) (2023-10-04T04:27:16Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and
Pixel-Level Imbalance Learning [5.370848116287344]
後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。
提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。
本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
論文 参考訳(メタデータ) (2022-03-17T15:26:00Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Hierarchical Convolutional Neural Network with Feature Preservation and
Autotuned Thresholding for Crack Detection [5.735035463793008]
ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。
本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。
提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
論文 参考訳(メタデータ) (2021-04-21T13:07:58Z) - TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。
トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。
第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
論文 参考訳(メタデータ) (2021-04-02T01:42:01Z) - Understanding Anomaly Detection with Deep Invertible Networks through
Hierarchies of Distributions and Features [4.25227087152716]
畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。
inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。
モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
論文 参考訳(メタデータ) (2020-06-18T20:56:14Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳(メタデータ) (2020-05-15T10:37:02Z) - Fast Distance-based Anomaly Detection in Images Using an Inception-like
Autoencoder [16.157879279661362]
畳み込みオートエンコーダ(CAE)を訓練し、画像の低次元表現を抽出する。
画像の学習表現の低次元空間に距離ベースの異常検出器を用いる。
その結果,予測性能が向上した。
論文 参考訳(メタデータ) (2020-03-12T16:10:53Z)
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。