論文の概要: Neural Architecture Search for Visual Anomaly Segmentation

• arxiv url: http://arxiv.org/abs/2304.08975v1
• Date: Tue, 18 Apr 2023 13:15:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 14:40:30.716934
• Title: Neural Architecture Search for Visual Anomaly Segmentation
• Title（参考訳）: 視覚異常セグメンテーションのためのニューラルアーキテクチャ探索
• Authors: Tommie Kerssies
• Abstract要約: 重み付き平均精度(wAP)はAUROCとAUPROの代替として提案されている。 トレーニングなしで視覚異常の効率的なセグメンテーションを可能にするニューラルアーキテクチャ探索法が提案されている。 その結果、AutoPatchは現在の最先端メソッドであるPatchCoreよりも18倍以上少ないFLOPSで性能が向上し、異常タイプ毎に1つの例しか使用できないことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents AutoPatch, the first application of neural architecture search to the complex task of segmenting visual anomalies. Measurement of anomaly segmentation quality is challenging due to imbalanced anomaly pixels, varying region areas, and various types of anomalies. First, the weighted average precision (wAP) metric is proposed as an alternative to AUROC and AUPRO, which does not need to be limited to a specific maximum FPR. Second, a novel neural architecture search method is proposed, which enables efficient segmentation of visual anomalies without any training. By leveraging a pre-trained supernet, a black-box optimization algorithm can directly minimize FLOPS and maximize wAP on a small validation set of anomalous examples. Finally, compelling results on the widely studied MVTec [3] dataset are presented, demonstrating that AutoPatch outperforms the current state-of-the-art method PatchCore [12] with more than 18x fewer FLOPS, using only one example per anomaly type. These results highlight the potential of automated machine learning to optimize throughput in industrial quality control. The code for AutoPatch is available at: https://github.com/tommiekerssies/AutoPatch
• Abstract（参考訳）: 本稿では,視覚異常をセグメント化する複雑なタスクに対して,ニューラルアーキテクチャ検索の最初の応用であるAutoPatchを提案する。 異常分割品質の測定は、不均衡な異常画素、異なる領域領域、様々な種類の異常のために困難である。 まず、重み付き平均精度(wAP)は、特定の最大FPRに制限される必要がないAUROCとAUPROの代替として提案される。 第二に、トレーニングなしで視覚異常の効率的なセグメンテーションを可能にする新しいニューラルアーキテクチャ探索法を提案する。 トレーニング済みのスーパーネットを利用することで、ブラックボックス最適化アルゴリズムはFLOPSを直接最小化し、異常な例の小さな検証セットでwAPを最大化する。 最後に、広く研究されているMVTec [3]データセットの説得力のある結果を示し、AutoPatchが現在の最先端メソッドであるPatchCore [12]を18倍以上のFLOPSで上回り、異常タイプ毎に1つの例しか使用していないことを示した。 これらの結果は、産業品質管理のスループットを最適化する自動機械学習の可能性を強調している。 AutoPatchのコードは、https://github.com/tommiekerssies/AutoPatchで入手できる。

関連論文リスト

• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• 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)
• Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
  最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。 また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。 異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
  論文  参考訳（メタデータ） (2023-08-06T17:51:22Z)
• Targeted collapse regularized autoencoder for anomaly detection: black hole at the center [3.924781781769534]
  オートエンコーダは通常のクラスを超えて一般化することができ、いくつかの異常なサンプルに対して小さな再構成誤差を達成できる。 我々は、ニューラルネットワークコンポーネントの追加、計算の関与、煩雑なトレーニングの代わりに、再構成損失を計算的に軽い用語で補うという、驚くほど簡単な方法を提案する。 これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
  論文  参考訳（メタデータ） (2023-06-22T01:33:47Z)
• AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection [1.0323063834827415]
  異常検出ツールと手法は、現代のサイバー物理および障害予測システムにおいて重要な機能を示す。 与えられたデータセットのモデル最適化は、面倒で時間のかかるプロセスである。 スケーラブルな多レベル最適化ニューロエボリューションフレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T21:52:38Z)
• FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
  本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。 本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。 高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-23T01:03:20Z)
• 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)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。