論文の概要: FractalAD: A simple industrial anomaly segmentation method using fractal
anomaly generation and backbone knowledge distillation
- arxiv url: http://arxiv.org/abs/2301.12739v1
- Date: Mon, 30 Jan 2023 09:03:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 15:17:37.509370
- Title: FractalAD: A simple industrial anomaly segmentation method using fractal
anomaly generation and backbone knowledge distillation
- Title(参考訳): FractalAD: フラクタル異常発生とバックボーン知識蒸留を用いた単純な工業的異常分割法
- Authors: Xuan Xia, Weijie Lv, Xing He, Chuanqi Liu, Ning Ding
- Abstract要約: 本稿では FractalAD という産業用終端異常セグメンテーション手法を提案する。
このフラクタル異常発生法は、異常の完全な形態をサンプリングするために設計されている。
アブレーション試験の結果, フラクタル異常発生とバックボーン知識蒸留の有効性が確認された。
- 参考スコア(独自算出の注目度): 14.308220140623247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although industrial anomaly detection (AD) technology has made significant
progress in recent years, generating realistic anomalies and learning priors
knowledge of normal remain challenging tasks. In this study, we propose an
end-to-end industrial anomaly segmentation method called FractalAD. Training
samples are obtained by synthesizing fractal images and patches from normal
samples. This fractal anomaly generation method is designed to sample the full
morphology of anomalies. Moreover, we designed a backbone knowledge
distillation structure to extract prior knowledge contained in normal samples.
The differences between a teacher and a student model are converted into
anomaly attention using a cosine similarity attention module. The proposed
method enables an end-to-end semantic segmentation network to be used for
anomaly detection without adding any trainable parameters to the backbone and
segmentation head. The results of ablation studies confirmed the effectiveness
of fractal anomaly generation and backbone knowledge distillation. The results
of performance experiments showed that FractalAD achieved competitive results
on the MVTec AD dataset compared with other state-of-the-art anomaly detection
methods.
- Abstract(参考訳): 近年、産業異常検出(AD)技術は大きな進歩を遂げているが、現実的な異常や学習前の知識は依然として困難な課題である。
本研究では,FractalADと呼ばれる産業用終端異常分割手法を提案する。
通常の試料からフラクタル画像とパッチを合成してトレーニングサンプルを得る。
このフラクタル異常生成法は、異常の完全な形態をサンプリングするために設計された。
さらに, 標準試料に含まれる事前知識を抽出するために, バックボーン知識蒸留構造も設計した。
教師と生徒モデルの違いは、コサイン類似性注意モジュールを用いて異常注意に変換される。
提案手法では,学習可能なパラメータをバックボーンやセグメンテーションヘッドに追加することなく,エンドツーエンドのセマンティクスセグメンテーションネットワークを異常検出に使用できる。
アブレーション研究の結果,フラクタル異常発生とバックボーン知識蒸留の有効性が確認された。
評価実験の結果、FractalADはMVTec ADデータセット上で、他の最先端の異常検出方法と比較して、競合する結果を得た。
関連論文リスト
- 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) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly
Detector GAN [4.929399529593514]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳(メタデータ) (2023-04-16T13:05:39Z) - Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A
Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。
擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。
また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文 参考訳(メタデータ) (2023-03-09T08:33:38Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳(メタデータ) (2023-03-09T05:52:42Z) - 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) - ADTR: Anomaly Detection Transformer with Feature Reconstruction [40.68590890351697]
通常のサンプルからの事前知識のみによる異常検出が注目されている。
既存のCNNベースの画素再構成アプローチには2つの懸念がある。
本稿では,事前学習した特徴の再構成にトランスフォーマを適用するために,ADTR(Anomaly Detection TRansformer)を提案する。
論文 参考訳(メタデータ) (2022-09-05T08:01:27Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z)
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。