論文の概要: Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised
Residual Transformer
- arxiv url: http://arxiv.org/abs/2306.03492v1
- Date: Tue, 6 Jun 2023 08:19:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 16:44:28.422297
- Title: Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised
Residual Transformer
- Title(参考訳): 半監督残差変換器を用いた予算アノテーションを用いた効率的な異常検出
- Authors: Hanxi Li, Jingqi Wu, Hao Chen, Mingwen Wang, Chunhua Shen
- Abstract要約: 異常検出は、通常、訓練中に通常のサンプルのみが見られ、検出器は飛行中の異常を検出する必要があるため、難しい。
最近提案されたディープラーニングベースのアプローチは、この問題を緩和する可能性があるが、実世界の応用のための産業レベルの異常検知器を得るには、まだまだ長い道のりがある。
- 参考スコア(独自算出の注目度): 71.12751395582518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly Detection is challenging as usually only the normal samples are seen
during training and the detector needs to discover anomalies on-the-fly. The
recently proposed deep-learning-based approaches could somehow alleviate the
problem but there is still a long way to go in obtaining an industrial-class
anomaly detector for real-world applications. On the other hand, in some
particular AD tasks, a few anomalous samples are labeled manually for achieving
higher accuracy. However, this performance gain is at the cost of considerable
annotation efforts, which can be intractable in many practical scenarios.
In this work, the above two problems are addressed in a unified framework.
Firstly, inspired by the success of the patch-matching-based AD algorithms, we
train a sliding vision transformer over the residuals generated by a novel
position-constrained patch-matching. Secondly, the conventional pixel-wise
segmentation problem is cast into a block-wise classification problem. Thus the
sliding transformer can attain even higher accuracy with much less annotation
labor. Thirdly, to further reduce the labeling cost, we propose to label the
anomalous regions using only bounding boxes. The unlabeled regions caused by
the weak labels are effectively exploited using a highly-customized
semi-supervised learning scheme equipped with two novel data augmentation
methods. The proposed method outperforms all the state-of-the-art approaches
using all the evaluation metrics in both the unsupervised and supervised
scenarios. On the popular MVTec-AD dataset, our SemiREST algorithm obtains the
Average Precision (AP) of 81.2% in the unsupervised condition and 84.4% AP for
supervised anomaly detection. Surprisingly, with the bounding-box-based
semi-supervisions, SemiREST still outperforms the SOTA methods with full
supervision (83.8% AP) on MVTec-AD.
- Abstract(参考訳): 異常検出は、通常、訓練中に通常のサンプルのみが見られ、検出器は飛行中の異常を検出する必要があるため、難しい。
最近提案されたディープラーニングベースのアプローチは、この問題を緩和する可能性があるが、実世界のアプリケーションのための産業レベルの異常検知器を得るには、まだまだ長い道のりがある。
一方、特定のADタスクでは、精度を高めるためにいくつかの異常サンプルを手動でラベル付けする。
しかし、このパフォーマンス向上にはかなりのアノテーションの努力が費やされているため、多くの実践的なシナリオでは難解である。
この作業では、上記の2つの問題は統一されたフレームワークで解決される。
まず、パッチマッチングベースのADアルゴリズムの成功に触発されて、新しい位置制約パッチマッチングによって生成される残差に対して、スライディングビジョン変換器を訓練する。
第二に、従来の画素ワイドセグメンテーション問題をブロックワイド分類問題に投入する。
これにより、スライディング変圧器は、アノテーションの手間をはるかに少なくして、さらに高い精度が得られる。
第3に,ラベル付けコストをさらに削減するために,境界ボックスのみを用いて異常領域をラベル付けすることを提案する。
弱ラベルによる未ラベル領域を、2つの新しいデータ拡張手法を備えた高度にカスタマイズされた半教師付き学習スキームを用いて効果的に活用する。
提案手法は,教師なしシナリオと教師なしシナリオの両方において,すべての評価指標を用いて,最先端手法を上回っている。
一般的なmvtec-adデータセットでは、semirestアルゴリズムは教師なし条件で81.2%、教師なし異常検出で84.4%の平均精度(ap)を得る。
意外なことに、バウンディングボックスベースのセミスーパービジョンでは、SemiRESTはMVTec-AD上で完全な監視(83.8%AP)でSOTAメソッドよりも優れています。
関連論文リスト
- 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) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳(メタデータ) (2023-11-12T10:07:03Z) - REB: Reducing Biases in Representation for Industrial Anomaly Detection [18.60149022025244]
本稿では,事前学習モデルの領域バイアスを考慮した表現におけるReduceing Biases (REB)を提案する。
また、自然欠陥を模倣する欠陥生成戦略(DefectMaker)を用いて、ドメイン適応を改善するための自己教師型学習タスクを構築します。
我々は広く使われているMVTec ADベンチマークで99.5%のAUROCを期待できる結果を得た。
論文 参考訳(メタデータ) (2023-08-24T05:32:29Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳(メタデータ) (2023-07-25T04:04:49Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - Mean-Shifted Contrastive Loss for Anomaly Detection [34.97652735163338]
そこで本研究では,集中損失法とコントラスト損失法の両方の障害モードを克服できる新たな損失関数を提案する。
私たちの改善は、$textitMean-Shifted Contrastive Loss$に基づいて、新しい異常検出アプローチをもたらします。
提案手法は,ROC-AUC$9.5%を含む複数のベンチマークにおいて,最先端の異常検出性能を実現する。
論文 参考訳(メタデータ) (2021-06-07T17:58:03Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳(メタデータ) (2021-05-21T11:58:50Z) - 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) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳(メタデータ) (2020-02-18T08:04:58Z)
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。