論文の概要: MAEDAY: MAE for few and zero shot AnomalY-Detection
- arxiv url: http://arxiv.org/abs/2211.14307v1
- Date: Fri, 25 Nov 2022 18:59:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:32:31.227682
- Title: MAEDAY: MAE for few and zero shot AnomalY-Detection
- Title（参考訳）: MAEDAY:MAE for few and zero shot AnomalY-Detection
- Authors: Eli Schwartz, Assaf Arbelle, Leonid Karlinsky, Sivan Harary, Florian
Scheidegger, Sivan Doveh, Raja Giryes
- Abstract要約: 異常検出(Anomaly-Detection、AD)とは、正の(良い)例のセットのみを与えられた未知の分布から、外れ値、または外部領域を特定することである。
近年,クエリの埋め込みベクトルと参照埋め込みのセットを比較した埋め込みベースの手法が,FSADの顕著な結果を示している。
画像再構成に基づく手法はまだローショット方式では使われていない。
Masked Auto-Encoder (MAE) を用いた画像領域の復元のための自己教師型トランスフォーマモデルを提案する。
- 参考スコア（独自算出の注目度）: 36.0074751168847
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The goal of Anomaly-Detection (AD) is to identify outliers, or outlying
regions, from some unknown distribution given only a set of positive (good)
examples. Few-Shot AD (FSAD) aims to solve the same task with a minimal amount
of normal examples. Recent embedding-based methods, that compare the embedding
vectors of queries to a set of reference embeddings, have demonstrated
impressive results for FSAD, where as little as one good example is provided. A
different approach, image-reconstruction-based, has been historically used for
AD. The idea is to train a model to recover normal images from corrupted
observations, assuming that the model will fail to recover regions when
encountered with an out-of-distribution image. However,
image-reconstruction-based methods were not yet used in the low-shot regime as
they need to be trained on a diverse set of normal images in order to properly
perform. We suggest using Masked Auto-Encoder (MAE), a self-supervised
transformer model trained for recovering missing image regions based on their
surroundings for FSAD. We show that MAE performs well by pre-training on an
arbitrary set of natural images (ImageNet) and only fine-tuning on a small set
of normal images. We name this method MAEDAY. We further find that MAEDAY
provides an orthogonal signal to the embedding-based methods and the ensemble
of the two approaches achieves very strong SOTA results. We also present a
novel task of Zero-Shot AD (ZSAD) where no normal samples are available at
training time. We show that MAEDAY performs surprisingly well at this task.
Finally, we provide a new dataset for detecting foreign objects on the ground
and demonstrate superior results for this task as well. Code is available at
https://github.com/EliSchwartz/MAEDAY .
- Abstract（参考訳）: Anomaly-Detection (AD) の目標は、正の(良い)例の集合だけを与えられた未知の分布から、外れ値、または領域を識別することである。
Few-Shot AD (FSAD) は、最小限の通常の例で同じタスクを解くことを目的としている。
クエリの埋め込みベクトルを参照埋め込みの集合と比較する最近の埋め込み方式は、FSADの優れた結果を示しており、1つの良い例が提示されている。
イメージ再構成に基づく別のアプローチが歴史的にADに使われてきた。
モデルは、分布外画像に遭遇すると領域の回復に失敗すると仮定して、崩壊した観測から正常なイメージを復元するモデルを訓練する。
しかし、画像再構成ベースの手法は低ショット環境ではまだ使われておらず、適切に実行するには様々な正規画像のセットで訓練する必要がある。
FSADの周辺環境に基づいて画像領域を復元する自己教師型トランスフォーマモデルであるMasked Auto-Encoder (MAE) を用いることを提案する。
我々は,任意の自然画像(ImageNet)を事前学習し,通常の画像に対してのみ微調整を行うことにより,MAEが良好な性能を発揮することを示す。
我々はこのメソッドを MAEDAY と命名する。
さらに、MAEDAYは埋め込み方式の直交信号を提供し、2つのアプローチのアンサンブルは非常に強力なSOTA結果を得る。
また、ZSAD(Zero-Shot AD)の新たな課題として、通常のサンプルをトレーニング時に利用できない課題を提示する。
我々は、このタスクでmaedayが驚くほどうまく機能していることを示します。
最後に、地上の異物検出のための新しいデータセットを提供し、この課題に対して優れた結果を示す。
コードはhttps://github.com/EliSchwartz/MAEDAY で入手できる。
関連論文リスト
- FADE: Few-shot/zero-shot Anomaly Detection Engine using Large Vision-Language Model [0.9226774742769024]
製造業界における品質検査には,少ないショット・ゼロショット異常検出が重要である。
視覚言語CLIPモデルを利用したFew-shot/zero-shot Anomaly Engine Detection (FADE)を提案する。
FADEは、ゼロショットで89.6%(91.5%)、ノーマルショットで95.4%(97.5%)の異常セグメンテーションにおいて、他の最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2024-08-31T23:05:56Z) - Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。
従来、教師なし手法はOOD検出に深い生成モデルを用いていた。
本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
論文 参考訳（メタデータ） (2024-05-20T08:54:03Z) - 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) - Patch-wise Auto-Encoder for Visual Anomaly Detection [1.7546477549938133]
本稿では,AEのアノマリーに対する再構成能力を弱めることなく向上することを目的としたパッチワイド自動エンコーダフレームワークを提案する。
本手法は,Mvtec ADベンチマークの最先端性能を向上し,本モデルの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-01T10:15:15Z) - Self-Supervised Out-of-Distribution Detection and Localization with
Natural Synthetic Anomalies (NSA) [3.862647284311923]
我々は、異常検出とローカライゼーションのためのエンドツーエンドモデルをトレーニングするための、新しい自己監督タスクであるNSAを導入する。
NSAはPoissonの画像編集を使って、さまざまなサイズのスケールしたパッチを別の画像とシームレスにブレンドしている。
MVTec ADデータセットを用いた実験により、NSA異常のローカライズを訓練したモデルが、実世界の未知の製造欠陥を検出するのに有効であることが示された。
論文 参考訳（メタデータ） (2021-09-30T15:50:04Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Anomaly detection through latent space restoration using
vector-quantized variational autoencoders [0.8122270502556374]
本稿では,密度と復元に基づく手法を用いた分散検出手法を提案する。
VQ-VAEモデルは、分類的潜在空間で画像をエンコードすることを学ぶ。
潜在コードの事前分布は、オートリグレッシブ(ar)モデルを使用してモデル化される。
論文 参考訳（メタデータ） (2020-12-12T09:19:59Z) - 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) - 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。