論文の概要: SLSG: Industrial Image Anomaly Detection by Learning Better Feature
Embeddings and One-Class Classification
- arxiv url: http://arxiv.org/abs/2305.00398v1
- Date: Sun, 30 Apr 2023 05:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 15:24:39.789269
- Title: SLSG: Industrial Image Anomaly Detection by Learning Better Feature
Embeddings and One-Class Classification
- Title（参考訳）: SLSG: より良い特徴埋め込みと一クラス分類を学習した産業画像異常検出
- Authors: Minghui Yang, Jing Liu, Zhiwei Yang, and Zhaoyang Wu
- Abstract要約: 異常検出のための自己教師付き学習と自己注意グラフ畳み込み(SLSG)に基づくネットワークを提案する。
SLSGは生成前トレーニングネットワークを使用して、エンコーダが通常のパターンの埋め込みと位置関係の推論を学ぶのを支援する。
ベンチマークデータセットの実験により、SLSGは優れた異常検出性能が得られることが示された。
- 参考スコア（独自算出の注目度）: 10.112538318417103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial image anomaly detection under the setting of one-class
classification has significant practical value. However, most existing models
struggle to extract separable feature representations when performing feature
embedding and struggle to build compact descriptions of normal features when
performing one-class classification. One direct consequence of this is that
most models perform poorly in detecting logical anomalies which violate
contextual relationships. Focusing on more effective and comprehensive anomaly
detection, we propose a network based on self-supervised learning and
self-attentive graph convolution (SLSG) for anomaly detection. SLSG uses a
generative pre-training network to assist the encoder in learning the embedding
of normal patterns and the reasoning of position relationships. Subsequently,
SLSG introduces the pseudo-prior knowledge of anomaly through simulated
abnormal samples. By comparing the simulated anomalies, SLSG can better
summarize the normal features and narrow down the hypersphere used for
one-class classification. In addition, with the construction of a more general
graph structure, SLSG comprehensively models the dense and sparse relationships
among elements in the image, which further strengthens the detection of logical
anomalies. Extensive experiments on benchmark datasets show that SLSG achieves
superior anomaly detection performance, demonstrating the effectiveness of our
method.
- Abstract（参考訳）: 一級分類の設定による産業画像異常検出は重要な実用性を有する。
しかし、既存のモデルの多くは、特徴埋め込みを行う際に分離可能な特徴表現を抽出するのに苦労し、一方のクラス分類を行う際に通常の特徴のコンパクトな記述を構築するのに苦労している。
この直接的な結果の1つは、ほとんどのモデルが文脈的関係に反する論理的異常を検出するのに不十分であるということである。
本稿では,より効果的かつ包括的な異常検出に着目し,自己教師付き学習と自己認識グラフ畳み込み(SLSG)に基づく異常検出ネットワークを提案する。
SLSGは生成前トレーニングネットワークを使用して、エンコーダが通常のパターンの埋め込みと位置関係の推論を学ぶのを支援する。
その後、SLSGは、模擬異常サンプルを通して異常の擬似事前知識を導入する。
シミュレーションされた異常を比較することで、slsgは通常の特徴をよりよく要約し、一級分類に使われる超球を狭めることができる。
さらに、より一般的なグラフ構造を構築することにより、SLSGは画像内の要素間の密度とスパースの関係を包括的にモデル化し、論理異常の検出をさらに強化する。
ベンチマークデータセットの大規模な実験により,SLSGは優れた異常検出性能を示し,本手法の有効性を示した。
関連論文リスト
- DECIDER: Leveraging Foundation Model Priors for Improved Model Failure Detection and Explanation [18.77296551727931]
本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) の先行情報を利用した画像モデルの故障検出手法であるDECIDERを提案する。
DECIDERは一貫して最先端の故障検出性能を達成し、マシューズ相関係数全体のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2024-08-01T07:08:11Z) - MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。
具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。
我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
論文 参考訳（メタデータ） (2024-01-15T12:51:13Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - Normality Learning-based Graph Anomaly Detection via Multi-Scale
Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。
本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。
特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文 参考訳（メタデータ） (2023-09-12T08:06:04Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2022-11-28T12:17:40Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳（メタデータ） (2021-11-25T03:53:43Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳（メタデータ） (2021-09-10T06:14:53Z) - 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) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z) - Understanding Anomaly Detection with Deep Invertible Networks through
Hierarchies of Distributions and Features [4.25227087152716]
畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。
inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。
モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
論文 参考訳（メタデータ） (2020-06-18T20:56:14Z)
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。