論文の概要: Image Anomaly Detection and Localization with Position and Neighborhood
Information
- arxiv url: http://arxiv.org/abs/2211.12634v1
- Date: Tue, 22 Nov 2022 23:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 15:16:55.087916
- Title: Image Anomaly Detection and Localization with Position and Neighborhood
Information
- Title(参考訳): 位置・周辺情報を用いた画像異常検出と位置決め
- Authors: Jaehyeok Bae, Jae-Han Lee, Seyun Kim
- Abstract要約: 多くの地域では異常検出と局所化が不可欠であり、トレーニングに十分な異常サンプルを集めることはほぼ不可能である。
この難しさを克服するために、既存の多くの手法では、事前訓練されたネットワークを用いて入力画像をエンコードし、非パラメトリックなモデリングを行い、符号化された特徴分布を推定している。
本稿では,マルチ層パーセプトロンネットワークでモデル化した近傍特性の条件付き確率で正規分布を推定する。
- 参考スコア(独自算出の注目度): 6.316693022958221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection and localization are essential in many areas, where
collecting enough anomalous samples for training is almost impossible. To
overcome this difficulty, many existing methods use a pre-trained network to
encode input images and non-parametric modeling to estimate the encoded feature
distribution. In the modeling process, however, they overlook that position and
neighborhood information affect the distribution of normal features. To use the
information, in this paper, the normal distribution is estimated with
conditional probability given neighborhood features, which is modeled with a
multi-layer perceptron network. At the same time, positional information can be
used by building a histogram of representative features at each position. While
existing methods simply resize the anomaly map into the resolution of an input
image, the proposed method uses an additional refine network that is trained
from synthetic anomaly images to perform better interpolation considering the
shape and edge of the input image. For the popular industrial dataset, MVTec AD
benchmark, the experimental results show \textbf{99.52\%} and \textbf{98.91\%}
AUROC scores in anomaly detection and localization, which is state-of-the-art
performance.
- Abstract(参考訳): 多くの地域では異常検出と局所化が不可欠であり、トレーニングに十分な異常サンプルを集めることはほぼ不可能である。
この難しさを克服するために、多くの既存手法では、入力画像のエンコードに事前学習されたネットワークと非パラメトリックモデリングを使用して、エンコードされた特徴分布を推定している。
しかし、モデリングプロセスでは、位置と周辺情報が通常の特徴の分布に影響を与えることを見落としている。
この情報を利用するために,本論文では,マルチ層パーセプトロンネットワークでモデル化した近傍特性の条件付き確率で正規分布を推定する。
同時に、各位置に代表的特徴のヒストグラムを構築することで位置情報を利用することができる。
既存の手法では, 入力画像の解像度に異常マップを単純に再サイズするが, 提案手法では, 合成異常画像からトレーニングした新たな精細ネットワークを用いて, 入力画像の形状やエッジを考慮した補間を行う。
一般的な産業データセットであるMVTec ADベンチマークでは、実験結果から、異常検出とローカライゼーション(最先端のパフォーマンス)において、 \textbf{99.52\%} と \textbf{98.91\%} AUROCスコアが示されている。
関連論文リスト
- LADMIM: Logical Anomaly Detection with Masked Image Modeling in Discrete Latent Space [0.0]
マスク付き画像モデリングは、画像中のマスキング領域の特徴表現を予測する自己教師付き学習技術である。
本稿では,MIMの特性を利用して論理異常を効果的に検出する手法を提案する。
提案手法をMVTecLOCOデータセット上で評価し,平均AUC 0.867。
論文 参考訳(メタデータ) (2024-10-14T07:50:56Z) - 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) - FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。
本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。
高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
論文 参考訳(メタデータ) (2022-11-23T01:03:20Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳(メタデータ) (2020-11-17T17:29:18Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-01T19:24:27Z) - Anomaly localization by modeling perceptual features [3.04585143845864]
特徴拡張型VAEは、入力画像を画素空間や複数の異なる特徴空間で再構成することで訓練される。
MVTec異常検出およびローカライゼーションデータセットの最先端手法に対する明確な改善を実現する。
論文 参考訳(メタデータ) (2020-08-12T15:09:13Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z)
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。