Fugu-MT 論文翻訳(概要): MAEDAY: MAE for few and zero shot AnomalY-Detection

論文の概要: MAEDAY: MAE for few and zero shot AnomalY-Detection

arxiv url: http://arxiv.org/abs/2211.14307v2
Date: Thu, 15 Feb 2024 15:39:40 GMT
ステータス: 処理完了
システム内更新日: 2024-02-16 21:26:03.025722
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: 画像の塗装を自己指導的に訓練したトランスフォーマーモデルMasked Auto-Encoder (MAE) を異常検出(AD)に使用することを提案する。 MaEDAYは,事前学習モデルを用いた最初の画像再構成に基づく異常検出手法である。
参考スコア（独自算出の注目度）: 44.99483220711847
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We propose using Masked Auto-Encoder (MAE), a transformer model self-supervisedly trained on image inpainting, for anomaly detection (AD). Assuming anomalous regions are harder to reconstruct compared with normal regions. MAEDAY is the first image-reconstruction-based anomaly detection method that utilizes a pre-trained model, enabling its use for Few-Shot Anomaly Detection (FSAD). We also show the same method works surprisingly well for the novel tasks of Zero-Shot AD (ZSAD) and Zero-Shot Foreign Object Detection (ZSFOD), where no normal samples are available. Code is available at https://github.com/EliSchwartz/MAEDAY .
Abstract（参考訳）: 画像の塗布を自己指導するトランスフォーマーモデルであるMasked Auto-Encoder (MAE) を異常検出(AD)に使用することを提案する。異常領域を仮定すると、通常の領域に比べて再構成が難しい。 MAEDAYは、事前訓練されたモデルを用いてFew-Shot Anomaly Detection (FSAD) を可能にする最初の画像再構成ベースの異常検出手法である。また,ZSAD (Zero-Shot AD) やZSFOD (Zero-Shot Foreign Object Detection) といった,通常のサンプルが存在しない新しいタスクに対して,同様の手法が驚くほど有効であることを示す。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。