論文の概要: FractalAD: A simple industrial anomaly detection method using fractal
anomaly generation and backbone knowledge distillation
- arxiv url: http://arxiv.org/abs/2301.12739v3
- Date: Mon, 18 Sep 2023 09:17:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 00:48:02.127328
- Title: FractalAD: A simple industrial anomaly detection 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簡易産業異常検出法
- Authors: Xuan Xia, Weijie Lv, Xing He, Nan Li, Chuanqi Liu, Ning Ding
- Abstract要約: 本稿では FractalAD という産業用異常検出手法を提案する。
提案手法により,エンドツーエンドのセマンティックセグメンテーションネットワークを異常検出に用いることができる。
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）: 14.349659819211325
- 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 of
normal remain challenging tasks. In this study, we propose an end-to-end
industrial anomaly detection 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, and has obvious
advantages over other methods in training and inference speed.. 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 and MVTec
3D-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の先行きは依然として困難な課題である。
本研究では,FractalADと呼ばれるエンドツーエンドの産業異常検出手法を提案する。
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,トレーニング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グメンテーションネットワークを異常検出に使用することができる。
.
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データセットとMVTec 3D-ADデータセットと、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
- Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳（メタデータ） (2024-07-12T01:50:07Z) - Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。
生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。
本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
論文 参考訳（メタデータ） (2024-07-09T08:02:46Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - 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 [49.995833831087175]
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 [4.5123329001179275]
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) - 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) - 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) - 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。