論文の概要: Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore

• arxiv url: http://arxiv.org/abs/2301.12082v1
• Date: Sat, 28 Jan 2023 03:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 19:04:27.790020
• Title: Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore
• Title（参考訳）: 業界ビジョンにおける数発異常検出の限界を押し上げる - graphcore
• Authors: Guoyang Xie, Jingbao Wang, Jiaqi Liu, Feng Zheng, Yaochu Jin
• Abstract要約: FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。 VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。 さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
• 参考スコア（独自算出の注目度）: 44.28076929360451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the area of fewshot anomaly detection (FSAD), efficient visual feature plays an essential role in memory bank M-based methods. However, these methods do not account for the relationship between the visual feature and its rotated visual feature, drastically limiting the anomaly detection performance. To push the limits, we reveal that rotation-invariant feature property has a significant impact in industrial-based FSAD. Specifically, we utilize graph representation in FSAD and provide a novel visual isometric invariant feature (VIIF) as anomaly measurement feature. As a result, VIIF can robustly improve the anomaly discriminating ability and can further reduce the size of redundant features stored in M by a large amount. Besides, we provide a novel model GraphCore via VIIFs that can fast implement unsupervised FSAD training and can improve the performance of anomaly detection. A comprehensive evaluation is provided for comparing GraphCore and other SOTA anomaly detection models under our proposed fewshot anomaly detection setting, which shows GraphCore can increase average AUC by 5.8%, 4.1%, 3.4%, and 1.6% on MVTec AD and by 25.5%, 22.0%, 16.9%, and 14.1% on MPDD for 1, 2, 4, and 8-shot cases, respectively.
• Abstract（参考訳）: fewshot Anomaly Detection (FSAD) の領域では、効率的な視覚的特徴がメモリバンクM法において重要な役割を担っている。 しかし,これらの手法は視覚特徴と回転する視覚特徴との関係を考慮せず,異常検出性能を大幅に制限している。 この限界を推し進めるために、回転不変の特徴特性が産業ベースのFSADに大きな影響を与えることを明らかにした。 具体的には、FSADにおけるグラフ表現を利用し、新しい視覚等尺不変特徴(VIIF)を異常測定特徴として提供する。 これにより、VIIFは異常判別能力を良好に向上することができ、Mに格納された冗長な特徴の規模をさらに小さくすることができる。 さらに,教師なしFSADトレーニングを高速に実装し,異常検出の性能を向上させることができる新しいモデルGraphCoreを提供する。 提案したスプリットショット異常検出設定の下で,GraphCoreと他のSOTA異常検出モデルを比較するための総合評価結果が得られた。これは,平均AUCが5.8%,4.1%,3.4%,MVTec ADが1.6%,MPDDが25.5%,22.0%,16.9%,14.1%に増加可能であることを示している。

関連論文リスト

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• Feature graph construction with static features for malware detection [2.6148103955115043]
  アプリケーションを特徴付けるために,機能グラフに基づくマルウェア検出手法であるMFGraphを導入する。 マルウェア検出タスクにおいて,AUCスコア0.98756を達成し,他のベースラインモデルよりも優れていることを示す。 MFGraphのAUCスコアは1年でわずか5.884%減少し、コンセプトドリフトの影響を受けていないことを示している。
  論文  参考訳（メタデータ） (2024-04-25T06:54:32Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation [17.954335118363964]
  我々は,高解像度カラー画像10,821枚(正常9,621枚,異常1200枚)からなるVisual Anomaly (VisA) データセットを3つの領域で12個のオブジェクトに対してリリースした。 本研究では,SPD(SPot-the-Difference)という自己教師付きフレームワークを提案する。 VisAとMVTec-ADデータセットの実験では、SPDはコントラスト付き事前トレーニングベースラインや教師付き事前トレーニングさえも一貫して改善している。
  論文  参考訳（メタデータ） (2022-07-28T18:00:03Z)
• Self-Supervised Transformers for Unsupervised Object Discovery using Normalized Cut [0.0]
  画像から物体を発見するために自己教師付きトランスフォーマー機能を利用するグラフベースのアプローチを実証する。 ビジュアルトークンは、トークンの類似性に基づいて接続スコアを表すエッジを持つ重み付きグラフのノードと見なされる。 弱教師付きオブジェクト検出では,CUBとImageNetの競合性能を実現する。
  論文  参考訳（メタデータ） (2022-02-23T14:27:36Z)
• Novelty Detection Through Model-Based Characterization of Neural Networks [19.191613437266184]
  本稿では,新しい入力タイプや条件を検出するために,ニューラルネットワークのモデルに基づく特徴付けを提案する。 我々は,MNIST,Fashion-MNIST,CIFAR-10,CURE-TSRの4つの画像認識データセットを用いてアプローチを検証する。
  論文  参考訳（メタデータ） (2020-08-13T20:03:25Z)

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。