論文の概要: Supervised Anomaly Detection Method Combining Generative Adversarial
Networks and Three-Dimensional Data in Vehicle Inspections
- arxiv url: http://arxiv.org/abs/2212.11507v1
- Date: Thu, 22 Dec 2022 06:39:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:29:02.759980
- Title: Supervised Anomaly Detection Method Combining Generative Adversarial
Networks and Three-Dimensional Data in Vehicle Inspections
- Title（参考訳）: 車両検査における生成逆ネットワークと3次元データを組み合わせた教師付き異常検出法
- Authors: Yohei Baba, Takuro Hoshi, Ryosuke Mori, Gaurang Gavai
- Abstract要約: 車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。
本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The external visual inspections of rolling stock's underfloor equipment are
currently being performed via human visual inspection. In this study, we
attempt to partly automate visual inspection by investigating anomaly
inspection algorithms that use image processing technology. As the railroad
maintenance studies tend to have little anomaly data, unsupervised learning
methods are usually preferred for anomaly detection; however, training cost and
accuracy is still a challenge. Additionally, a researcher created anomalous
images from normal images by adding noise, etc., but the anomalous targeted in
this study is the rotation of piping cocks that was difficult to create using
noise. Therefore, in this study, we propose a new method that uses style
conversion via generative adversarial networks on three-dimensional computer
graphics and imitates anomaly images to apply anomaly detection based on
supervised learning. The geometry-consistent style conversion model was used to
convert the image, and because of this the color and texture of the image were
successfully made to imitate the real image while maintaining the anomalous
shape. Using the generated anomaly images as supervised data, the anomaly
detection model can be easily trained without complex adjustments and
successfully detects anomalies.
- Abstract（参考訳）: 現在、車両の床下機器の外観検査は人間の視覚検査によって行われている。
本研究では,画像処理技術を用いた異常検査アルゴリズムを調査し,視覚検査を部分的に自動化する。
鉄道保守研究は異常データが少ない傾向にあるため、教師なし学習法は通常異常検出に好まれるが、訓練コストと精度は依然として課題である。
さらに、研究者はノイズ等を付加して通常の画像から異常画像を作成するが、本研究が対象とする異常画像は、ノイズを用いて生成することが困難であった配管コックの回転である。
そこで本研究では,3次元コンピュータグラフィックス上で生成逆数ネットワークによるスタイル変換を用い,異常画像を模倣して教師付き学習に基づく異常検出を行う手法を提案する。
形状整合型変換モデルを用いて画像の変換を行い, 画像の色やテクスチャを再現し, 異常な形状を維持しながら実画像の再現に成功した。
生成された異常画像を教師データとして使用すると、複雑な調整なしに容易に異常検出モデルを訓練でき、異常検出に成功する。
関連論文リスト
- GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level
Latencies [1.1602089225841632]
本稿では,最新のGPU上で1ミリ秒未満で画像を処理する軽量な特徴抽出器を提案する。
次に,生徒-教員のアプローチを用いて異常な特徴を検出する。
3つの産業的異常検出データセットから抽出した32個のデータセットからEfficientADという手法を評価した。
論文 参考訳（メタデータ） (2023-03-25T18:48:33Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Reconstructed Student-Teacher and Discriminative Networks for Anomaly
Detection [8.35780131268962]
学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。
本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。
さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
論文 参考訳（メタデータ） (2022-10-14T05:57:50Z) - 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) - 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) - Neural Transformation Learning for Deep Anomaly Detection Beyond Images [24.451389236365152]
学習可能な変換を伴う異常検出のための単純なエンドツーエンドの手順を提示する。
重要なアイデアは、変換されたデータを意味空間に埋め込むことで、変換されたデータは、まだ変換されていない形式に似ています。
この手法はドメイン固有の変換を学習し、以前の作業よりも正確に異常を検出する。
論文 参考訳（メタデータ） (2021-03-30T15:38:18Z) - Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
本稿では,異常検出のための自己教師付き学習手法を提案する。
私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。
試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
論文 参考訳（メタデータ） (2020-11-10T22:21:48Z) - 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)
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。