論文の概要: Multiresolution Feature Guidance Based Transformer for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2305.14880v1
- Date: Wed, 24 May 2023 08:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 18:13:53.949545
- Title: Multiresolution Feature Guidance Based Transformer for Anomaly Detection
- Title（参考訳）: 多分解能特徴誘導型異常検出用変圧器
- Authors: Shuting Yan, Pingping Chen, Honghui Chen, Huan Mao, Feng Chen and
Zhijian Lin
- Abstract要約: 本稿では,非教師付き異常検出と局所化のためのトランスフォーマーGTransに基づく多分解能特徴誘導手法を提案する。
GTransは、MVTec ADデータセットでAUROCスコア99.0%と97.9%の画像レベルおよび画素レベルの異常検出を実現する。
- 参考スコア（独自算出の注目度）: 9.518909480436356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is represented as an unsupervised learning to identify
deviated images from normal images. In general, there are two main challenges
of anomaly detection tasks, i.e., the class imbalance and the unexpectedness of
anomalies. In this paper, we propose a multiresolution feature guidance method
based on Transformer named GTrans for unsupervised anomaly detection and
localization. In GTrans, an Anomaly Guided Network (AGN) pre-trained on
ImageNet is developed to provide surrogate labels for features and tokens.
Under the tacit knowledge guidance of the AGN, the anomaly detection network
named Trans utilizes Transformer to effectively establish a relationship
between features with multiresolution, enhancing the ability of the Trans in
fitting the normal data manifold. Due to the strong generalization ability of
AGN, GTrans locates anomalies by comparing the differences in spatial distance
and direction of multi-scale features extracted from the AGN and the Trans. Our
experiments demonstrate that the proposed GTrans achieves state-of-the-art
performance in both detection and localization on the MVTec AD dataset. GTrans
achieves image-level and pixel-level anomaly detection AUROC scores of 99.0%
and 97.9% on the MVTec AD dataset, respectively.
- Abstract（参考訳）: 異常検出は、通常の画像から逸脱した画像を識別する教師なし学習として表現される。
一般に、異常検出タスクの主な課題は2つあり、すなわち、クラス不均衡と異常の予期せぬ性質である。
本稿では,非教師付き異常検出と局所化のためのトランスフォーマーGTransに基づく多分解能特徴誘導手法を提案する。
GTransでは、ImageNet上で事前トレーニングされたAnomaly Guided Network (AGN) が開発され、機能やトークンのサロゲートラベルを提供する。
AGNの暗黙的な知識指導の下で、Transという名前の異常検出ネットワークはTransformerを使用して、マルチレゾリューションを持つ特徴の関係を効果的に確立し、通常のデータ多様体に適合するTransの能力を高める。
AGNの強い一般化能力のため、GTransはAGNとTransから抽出したマルチスケール特徴の空間的距離と方向の違いを比較して異常を同定する。
実験により,提案したGTransはMVTec ADデータセット上の検出と位置決めの両方において最先端の性能を達成できることを示した。
GTransは、MVTec ADデータセットでそれぞれ99.0%と97.9%のAUROCスコアを画像レベルと画素レベルの異常検出を達成する。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。
ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。
ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文 参考訳（メタデータ） (2024-01-25T13:07:34Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Unsupervised Anomaly Detection with Local-Sensitive VQVAE and
Global-Sensitive Transformers [45.34555409340503]
非教師なし異常検出(UAD)は、産業用および医療用に広く実装されている。
変種を持つディープオートエンコーダは多くのUADシナリオでその利点を実証している。
本稿では,Vector Quantized-Variational Autoencoder(VQVAE)をベースとしたLSGSを提案する。
論文 参考訳（メタデータ） (2023-03-29T09:13:20Z) - Siamese Transition Masked Autoencoders as Uniform Unsupervised Visual
Anomaly Detector [4.33060257697635]
本稿では,様々な視覚異常検出タスクを均一に処理するための,Samese Transition Masked Autoencoders (ST-MAE) と呼ばれる新しいフレームワークを提案する。
我々の深い特徴遷移スキームは、通常のパターンを抽出する非教師付きセマンティックな自己監督タスクをもたらす。
論文 参考訳（メタデータ） (2022-11-01T09:45:49Z) - Dispensed Transformer Network for Unsupervised Domain Adaptation [21.256375606219073]
本稿では,新しい非教師付き領域適応 (UDA) 方式であるディスペンデントトランスフォーマーネットワーク (DTNet) について述べる。
提案するネットワークは,いくつかの最先端技術と比較して,最高の性能を実現している。
論文 参考訳（メタデータ） (2021-10-28T08:27:44Z) - TransAttUnet: Multi-level Attention-guided U-Net with Transformer for
Medical Image Segmentation [33.45471457058221]
本稿では,TransAttUnetと呼ばれるトランスフォーマーベースの医用画像セマンティックセマンティック・セマンティック・フレームワークを提案する。
特に,デコーダブロック間の複数スケールのスキップ接続を確立することで,セマンティック・スケールのアップサンプリング機能を集約する。
我々の手法は一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2021-07-12T09:17:06Z) - LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution
Homography Estimation [52.63874513999119]
クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。
既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。
本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-08T02:51:45Z) - A Multiscale Graph Convolutional Network for Change Detection in
Homogeneous and Heterogeneous Remote Sensing Images [12.823633963080281]
リモートセンシング画像における変化検出(CD)は、常に研究の領域を広げています。
本稿では,グラフ畳み込みネットワーク(gcn)に基づく新しいcd法と,均質画像と異種画像の両方に対して多スケールオブジェクトベース手法を提案する。
論文 参考訳（メタデータ） (2021-02-16T09:26:31Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z)
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。