論文の概要: Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly
Segmentation
- arxiv url: http://arxiv.org/abs/2301.09602v1
- Date: Mon, 23 Jan 2023 18:06:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 12:49:07.765115
- Title: Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly
Segmentation
- Title(参考訳): 異常検出から異常セグメンテーションへの超球ロス関数の適応
- Authors: Joao P. C. Bertoldo, Santiago Velasco-Forero, Jesus Angulo, Etienne
Decenci\`ere
- Abstract要約: 完全畳み込みデータ記述(FCDD)の漸進的改善を提案する。
FCDDは、異常検出から画像異常セグメンテーション(すなわち異常局在)への一級分類アプローチの適応である
我々は、元の損失関数を解析し、前任のハイパースフィア(HSC)によく似た代替関数を提案する。
- 参考スコア(独自算出の注目度): 2.217547045999963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an incremental improvement to Fully Convolutional Data Description
(FCDD), an adaptation of the one-class classification approach from anomaly
detection to image anomaly segmentation (a.k.a. anomaly localization). We
analyze its original loss function and propose a substitute that better
resembles its predecessor, the Hypersphere Classifier (HSC). Both are compared
on the MVTec Anomaly Detection Dataset (MVTec-AD) -- training images are
flawless objects/textures and the goal is to segment unseen defects -- showing
that consistent improvement is achieved by better designing the pixel-wise
supervision.
- Abstract(参考訳): 本稿では,異常検出から画像異常セグメンテーション(異常局所化)への一クラス分類アプローチの適応として,FCDD(Fully Convolutional Data Description)の漸進的な改善を提案する。
元の損失関数を解析し,前任のハイパースフィア分類器(HSC)によく似た代替関数を提案する。
どちらもMVTec Anomaly Detection Dataset (MVTec-AD)で比較されている -- トレーニングイメージは欠陥のないオブジェクト/コンテキストであり、未確認の欠陥をセグメントすることを目的としている。
関連論文リスト
- 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) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-05T09:36:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。
自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。
元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文 参考訳(メタデータ) (2022-03-22T17:06:07Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning [11.234583962952891]
本稿では、自己教師付き学習を用いて、正確な異常マップを直接生成できる新しい異常分割ネットワーク(AnoSeg)を提案する。
高精度な異常セグメンテーションのために提案されたAnoSegは、3つの新しい手法を考察している。
実験の結果,提案手法はMVTec ADデータセットに対して,最先端の異常検出および異常セグメンテーション法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-10-07T12:36:36Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Patch SVDD: Patch-level SVDD for Anomaly Detection and Segmentation [30.499125737099185]
異常検出は、入力画像が異常を含むかどうかを二項決定する。
我々は,自己教師付き学習を用いたパッチベースの手法に,サポートベクタデータ記述(SVDD)を拡張した。
本研究は,提案手法の有効性と産業応用の可能性を示すものである。
論文 参考訳(メタデータ) (2020-06-29T14:19:47Z) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳(メタデータ) (2020-03-19T13:30:45Z)
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。