論文の概要: Industrial and Medical Anomaly Detection Through Cycle-Consistent
Adversarial Networks
- arxiv url: http://arxiv.org/abs/2302.05154v1
- Date: Fri, 10 Feb 2023 10:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 16:01:46.691378
- Title: Industrial and Medical Anomaly Detection Through Cycle-Consistent
Adversarial Networks
- Title(参考訳): 循環型対向ネットワークによる産業・医療異常検出
- Authors: Arnaud Bougaham, Valentin Delchevalerie, Mohammed El Adoui, Beno\^it
Fr\'enay
- Abstract要約: 実世界の画像に対する新たな異常検出(AD)手法を提案する。
提案手法では,Cycle-Generative Adversarial Networks (Cycle-GANs) を用いて正規翻訳を行う。
その結果、あらゆる種類の異常に対して、精度の高い性能と優れた一般化が示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, a new Anomaly Detection (AD) approach for real-world images is
proposed. This method leverages the theoretical strengths of unsupervised
learning and the data availability of both normal and abnormal classes. The AD
is often formulated as an unsupervised task motivated by the frequent
imbalanced nature of the datasets, as well as the challenge of capturing the
entirety of the abnormal class. Such methods only rely on normal images during
training, which are devoted to be reconstructed through an autoencoder
architecture for instance. However, the information contained in the abnormal
data is also valuable for this reconstruction. Indeed, the model would be able
to identify its weaknesses by better learning how to transform an abnormal (or
normal) image into a normal (or abnormal) image. Each of these tasks could help
the entire model to learn with higher precision than a single normal to normal
reconstruction. To address this challenge, the proposed method utilizes
Cycle-Generative Adversarial Networks (Cycle-GANs) for abnormal-to-normal
translation. To the best of our knowledge, this is the first time that
Cycle-GANs have been studied for this purpose. After an input image has been
reconstructed by the normal generator, an anomaly score describes the
differences between the input and reconstructed images. Based on a threshold
set with a business quality constraint, the input image is then flagged as
normal or not. The proposed method is evaluated on industrial and medical
images, including cases with balanced datasets and others with as few as 30
abnormal images. The results demonstrate accurate performance and good
generalization for all kinds of anomalies, specifically for texture-shaped
images where the method reaches an average accuracy of 97.2% (85.4% with an
additional zero false negative constraint).
- Abstract(参考訳): 本研究では,実世界の画像に対する新たな異常検出(AD)手法を提案する。
この方法は教師なし学習の理論的な強みと、正規クラスと異常クラスの両方のデータ可用性を活用する。
ADは、しばしば、データセットの頻繁な不均衡の性質と、異常なクラス全体をキャプチャする課題によって動機付けられた教師なしのタスクとして定式化される。
このような方法はトレーニング中にのみ通常のイメージに依存し、例えばオートエンコーダアーキテクチャによって再構築される。
しかし、この復元には異常データに含まれる情報も有用である。
実際、このモデルでは、異常な(または正常な)イメージを正常な(または異常な)イメージに変換する方法を学ぶことで、その弱点を識別することができる。
これらのタスクのそれぞれは、モデル全体が通常のレコンストラクションよりも高い精度で学習するのに役立つだろう。
この課題に対処するために,提案手法ではCycle-Generative Adversarial Networks (Cycle-GANs) を用いて正規翻訳を行う。
私たちの知る限りでは、この目的のためにサイクルガンが研究されたのはこれが初めてです。
入力画像が通常のジェネレータによって再構成された後、異常スコアは入力画像と再構成画像の違いを記述する。
ビジネス品質制約が設定されたしきい値に基づいて、入力画像が正常かどうかをフラグ付けする。
本手法は, 産業用および医療用の画像を用いて評価され, バランスの取れたデータセットや, 30個の異常画像を含む。
この結果は, あらゆる種類の異常に対して, 特に, 平均精度が97.2%に達するテクスチャ形状の画像に対して, 精度と優れた一般化が示された。
関連論文リスト
- 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) - Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。
近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。
提案手法を複数のデータセット上で評価し,その有効性を実証する。
論文 参考訳(メタデータ) (2022-11-29T11:06:29Z) - Dual-distribution discrepancy with self-supervised refinement for
anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。
再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。
本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文 参考訳(メタデータ) (2022-10-09T11:18:45Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - 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) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳(メタデータ) (2021-11-17T13:30:31Z) - Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly
Detection and Segmentation in Medical Images [31.676609117780114]
教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。
コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-09-03T04:25:57Z) - Image Anomaly Detection by Aggregating Deep Pyramidal Representations [16.246831343527052]
異常検出は、データセット内で、ほとんどのデータと大きく異なるサンプルを特定することで構成される。
本稿では,複数のピラミッドレベルを持つ深層ニューラルネットワークを用いた画像異常検出に着目し,画像特徴を異なるスケールで解析する。
論文 参考訳(メタデータ) (2020-11-12T09:58:27Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
画像異常検出の新しい強力な手法を提案する。
これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。
複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-23T18:45:55Z)
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。