Fugu-MT 論文翻訳(概要): U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with Unsupervised Threshold

論文の概要: U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with Unsupervised Threshold

arxiv url: http://arxiv.org/abs/2211.12353v3
Date: Mon, 27 May 2024 17:34:15 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 04:56:05.962735
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: Matías Tailanian, Álvaro Pardo, Pablo Musé,
Abstract要約: 画像中の異常セグメンテーションのための一級自己教師方式を提案する。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。提案手法は、すべてのメトリクスとすべてのデータセットに対して最先端の結果を生成する。
参考スコア（独自算出の注目度）: 0.40964539027092906
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we propose a one-class self-supervised method for anomaly segmentation in images that benefits both from a modern machine learning approach and a more classic statistical detection theory. The method consists of four phases. First, features are extracted using a multi-scale image Transformer architecture. Then, these features are fed into a U-shaped Normalizing Flow (NF) that lays the theoretical foundations for the subsequent phases. The third phase computes a pixel-level anomaly map from the NF embedding, and the last phase performs a segmentation based on the a contrario framework. This multiple hypothesis testing strategy permits the derivation of robust unsupervised detection thresholds, which are crucial in real-world applications where an operational point is needed. The segmentation results are evaluated using the Mean Intersection over Union (mIoU) metric, and for assessing the generated anomaly maps we report the area under the Receiver Operating Characteristic curve (AUROC), as well as the Area Under the Per-Region-Overlap curve (AUPRO). Extensive experimentation in various datasets shows that the proposed approach produces state-of-the-art results for all metrics and all datasets, ranking first in most MVTec-AD categories, with a mean pixel-level AUROC of 98.74%. Code and trained models are available at https:// github.com/mtailanian/uflow.
Abstract（参考訳）: 本研究では,最新の機械学習手法と,より古典的な統計的検出理論の両方の利点を生かした,画像中の異常セグメンテーションのための一級自己教師手法を提案する。方法は4つのフェーズから構成される。まず,マルチスケールイメージトランスフォーマーアーキテクチャを用いて特徴抽出を行う。次に、これらの特徴をU字型正規化フロー(NF)に入力し、その後のフェーズの理論的基礎を定めます。第3フェーズはNF埋め込みから画素レベルの異常マップを計算し、最終フェーズはコントラリオフレームワークに基づいて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現実世界のアプリケーションにおいて重要な、堅牢で教師なしな検出しきい値の導出を可能にする。セグメンテーションの結果は,mIoU(Mean Intersection over Union)測定値を用いて評価され,生成した異常マップの評価には,受信器動作曲線(AUROC)とAUPRO(Per-Region-Overlap)曲線(AUPRO)のエリアを報告する。様々なデータセットにおける大規模な実験は、提案手法がすべてのメトリクスと全てのデータセットに対して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AUROCは98.74%であることを示している。コードとトレーニングされたモデルはhttps:// github.com/mtailanian/uflow.comで入手できる。

関連論文リスト

Cross-Modal Learning for Anomaly Detection in Complex Industrial Process: Methodology and Benchmark [19.376814754500625]
複雑な産業プロセスにおける異常検出は、効率的で安定で安全な操作を確実にする上で重要な役割を担っている。本稿では,マグネシウム溶融プロセスにおける視覚特徴(ビデオ)とプロセス変数(電流)の相関を探索し,異常検出を容易にするクロスモーダルトランスを提案する。本稿では, マグネシウム溶融プロセスの先駆的なクロスモーダルベンチマークを行い, 同期的に取得したビデオデータと電流データを220万以上のサンプルで分析した。
論文参考訳（メタデータ） (2024-06-13T11:40:06Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
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)
PNI : Industrial Anomaly Detection using Position and Neighborhood Information [6.316693022958221]
本研究では,条件付き近傍特徴量を用いて正規分布を推定する新しいアルゴリズム textbfPNI を提案する。我々はMVTec ADベンチマークデータセットの実験を行い、異常検出と局所化におけるtextbf99.56%と textbf98.98%のAUROCスコアを用いて最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2022-11-22T23:45:27Z)
Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文参考訳（メタデータ） (2022-02-28T15:53:10Z)
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)
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)
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)
FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。