論文の概要: EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies

• arxiv url: http://arxiv.org/abs/2303.14535v1
• Date: Sat, 25 Mar 2023 18:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 19:05:05.881748
• Title: EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies
• Title（参考訳）: EfficientAD:ミリ秒レベルレイテンシにおける正確な視覚異常検出
• Authors: Kilian Batzner, Lars Heckler, Rebecca K\"onig
• Abstract要約: 本稿では,最新のGPU上で1ミリ秒未満で画像を処理する軽量な特徴抽出器を提案する。 次に,生徒-教員のアプローチを用いて異常な特徴を検出する。 3つの産業的異常検出データセットから抽出した32個のデータセットからEfficientADという手法を評価した。
• 参考スコア（独自算出の注目度）: 0.9023847175654602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting anomalies in images is an important task, especially in real-time computer vision applications. In this work, we focus on computational efficiency and propose a lightweight feature extractor that processes an image in less than a millisecond on a modern GPU. We then use a student-teacher approach to detect anomalous features. We train a student network to predict the extracted features of normal, i.e., anomaly-free training images. The detection of anomalies at test time is enabled by the student failing to predict their features. We propose a training loss that hinders the student from imitating the teacher feature extractor beyond the normal images. It allows us to drastically reduce the computational cost of the student-teacher model, while improving the detection of anomalous features. We furthermore address the detection of challenging logical anomalies that involve invalid combinations of normal local features, for example, a wrong ordering of objects. We detect these anomalies by efficiently incorporating an autoencoder that analyzes images globally. We evaluate our method, called EfficientAD, on 32 datasets from three industrial anomaly detection dataset collections. EfficientAD sets new standards for both the detection and the localization of anomalies. At a latency of two milliseconds and a throughput of six hundred images per second, it enables a fast handling of anomalies. Together with its low error rate, this makes it an economical solution for real-world applications and a fruitful basis for future research.
• Abstract（参考訳）: 画像中の異常を検出することは特にリアルタイムコンピュータビジョンアプリケーションにおいて重要な課題である。 本研究では,計算効率を重視し,最新のGPU上で1ミリ秒未満で画像を処理する軽量な特徴抽出器を提案する。 次に,生徒・教師のアプローチを用いて異常な特徴を検出する。 学生ネットワークを訓練し,正常,すなわち異常のないトレーニング画像から抽出された特徴を予測する。 テスト時の異常の検出は、生徒がその特徴を予測できないことによって可能となる。 本研究では,教師の特徴抽出器を通常の画像を超えて模倣することを妨げる訓練損失を提案する。 これにより、異常な特徴の検出を改善しつつ、学生-教師モデルの計算コストを大幅に削減できる。 さらに,通常の局所的特徴の無効な組み合わせ,例えば,オブジェクトの誤った順序付けを含む,難しい論理異常の検出にも対処する。 画像解析を行うオートエンコーダを効率良く組み込んで,これらの異常を検出する。 3つの産業的異常検出データセットから抽出した32個のデータセットからEfficientADという手法を評価した。 EfficientADは、異常の検出とローカライゼーションの両方のための新しい標準を設定する。 2ミリ秒のレイテンシと毎秒600イメージのスループットで、異常の高速処理を可能にする。 エラー率の低さとともに、実世界のアプリケーションにとって経済的な解決策となり、将来の研究に実りある基礎となる。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• 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)
• Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections [0.0]
  車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。 本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T06:39:52Z)
• Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples [21.358496646676087]
  教師による3次元異常検出のための構造化モデルの設計を行う。 具体的には、特徴空間アライメント、次元ズーム、最大プールを用いて点雲の特徴を抽出する。 本手法では,学生ネットワークを学習するために,ごくごく普通のサンプルしか必要としない。
  論文  参考訳（メタデータ） (2022-10-31T12:29:55Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection [8.35780131268962]
  学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。 本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。 さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
  論文  参考訳（メタデータ） (2022-10-14T05:57:50Z)
• 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)
• Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks [2.9237210794416755]
  異なる視覚的手がかりに焦点をあてる新しい識別的・生成的タスクを導入する。 そこで本研究では,新しい分布検出機能を提案し,その安定性を他の分布検出方法と比較した。 我々のモデルは、これらの自己教師型タスクを用いて、高度に識別可能な特徴をより正確に学習することができる。
  論文  参考訳（メタデータ） (2021-11-24T09:54:50Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)

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。