論文の概要: Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and
Masked Multi-scale Reconstruction
- arxiv url: http://arxiv.org/abs/2304.02216v1
- Date: Wed, 5 Apr 2023 04:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 13:28:30.739330
- Title: Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and
Masked Multi-scale Reconstruction
- Title（参考訳）: 領域シフトによる産業的異常検出:実世界データセットとマスキングマルチスケール再構築
- Authors: Zilong Zhang, Zhibin Zhao, Xingwu Zhang, Chuang Sun, Xuefeng Chen
- Abstract要約: 産業品質検査の自動化には,産業異常検出(IAD)が不可欠である。
既存のIADデータセットは、データカテゴリの多様性に重点を置いている。
本稿では,2つのサブデータセットからなるエアロエンジンブレード異常検出(AeBAD)データセットを提案する。
- 参考スコア（独自算出の注目度）: 0.965964228590342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial anomaly detection (IAD) is crucial for automating industrial
quality inspection. The diversity of the datasets is the foundation for
developing comprehensive IAD algorithms. Existing IAD datasets focus on the
diversity of data categories, overlooking the diversity of domains within the
same data category. In this paper, to bridge this gap, we propose the
Aero-engine Blade Anomaly Detection (AeBAD) dataset, consisting of two
sub-datasets: the single-blade dataset and the video anomaly detection dataset
of blades. Compared to existing datasets, AeBAD has the following two
characteristics: 1.) The target samples are not aligned and at different
scales. 2.) There is a domain shift between the distribution of normal samples
in the test set and the training set, where the domain shifts are mainly caused
by the changes in illumination and view. Based on this dataset, we observe that
current state-of-the-art (SOTA) IAD methods exhibit limitations when the domain
of normal samples in the test set undergoes a shift. To address this issue, we
propose a novel method called masked multi-scale reconstruction (MMR), which
enhances the model's capacity to deduce causality among patches in normal
samples by a masked reconstruction task. MMR achieves superior performance
compared to SOTA methods on the AeBAD dataset. Furthermore, MMR achieves
competitive performance with SOTA methods to detect the anomalies of different
types on the MVTec AD dataset. Code and dataset are available at
https://github.com/zhangzilongc/MMR.
- Abstract（参考訳）: 産業品質検査の自動化には産業異常検出(iad)が不可欠である。
データセットの多様性は、包括的なiadアルゴリズムを開発する基盤である。
既存のIADデータセットは、同じデータカテゴリ内のドメインの多様性を見越して、データカテゴリの多様性に焦点を当てている。
本稿では,このギャップを埋めるため,単刃データセットとビデオ異常検出データセットの2つのサブデータセットからなるaebad(aero-engine blade anomaly detection)データセットを提案する。
既存のデータセットと比較して、AeBADには以下の2つの特徴がある。
1) 対象のサンプルは、異なるスケールでアライメントされていない。
2) テストセット内の通常のサンプルの分布とトレーニングセットとの間にはドメインシフトがあり、そこでは、主に照明とビューの変化によってドメインシフトが発生する。
このデータセットに基づいて、テストセット内の通常のサンプルのドメインがシフトした場合、現在のSOTA (State-of-the-art) IADメソッドは制限を示す。
そこで本研究では, 標準試料中のパッチ間の因果関係をマスキング・マルチスケール・リコンストラクション(mmr)により推定する手法を提案する。
MMRは、AeBADデータセット上のSOTA法よりも優れた性能を実現する。
さらに、MMRは、MVTec ADデータセット上で異なるタイプの異常を検出するSOTA法との競合性能を達成する。
コードとデータセットはhttps://github.com/zhangzilongc/MMRで入手できる。
関連論文リスト
- Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data [3.1951121258423334]
我々は、ソースドメインインスタンスを対応するプロトタイプに近づけるために、インスタンス-プロトタイプアライメント(AIPA)戦略を開発する。
また、ソースドメインインスタンスを対応するプロトタイプに近づけるための、インスタンス-プロトタイプアライメント(AIPA)戦略も開発しています。
論文 参考訳（メタデータ） (2024-11-07T13:53:13Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Domain-independent detection of known anomalies [1.3232004853011963]
異常検出アプローチは、スパースな名目データで訓練することができるが、ドメインの一般化アプローチは、以前は目に見えないドメイン内のオブジェクトを検出することができる。
3つの新しいデータセットを生成することにより、確立されたMVTec ADデータセットを改良する。
SEMLPは、平均画像レベルのAUROCが87.2%であるのに対して、MIROは80.4%である。
論文 参考訳（メタデータ） (2024-07-03T08:35:52Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。
提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。
複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
論文 参考訳（メタデータ） (2024-05-20T03:48:45Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。
30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。
このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
論文 参考訳（メタデータ） (2024-03-19T09:44:41Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Graphical Modeling for Multi-Source Domain Adaptation [56.05348879528149]
マルチソースドメイン適応(MSDA)は、複数のソースドメインからターゲットドメインへの知識の転送に焦点を当てている。
我々は2種類のグラフィカルモデルを提案する。
MSDAの条件付きランダムフィールド(CRF-MSDA)とMSDAのマルコフランダムフィールド(MRF-MSDA)
これらの2つのモデルを、ドメインシフトとデータの複雑さが異なるMSDAの4つの標準ベンチマークデータセットで評価します。
論文 参考訳（メタデータ） (2021-04-27T09:04:22Z)
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。