論文の概要: Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers
- arxiv url: http://arxiv.org/abs/2306.03492v6
- Date: Wed, 15 Jan 2025 15:26:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:50:26.282110
- Title: Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers
- Title（参考訳）: 弱スーパービジョン残差変圧器を用いた産業異常検出と位置決め
- Authors: Hanxi Li, Jingqi Wu, Deyin Liu, Lin Wu, Hao Chen, Mingwen Wang, Chunhua Shen,
- Abstract要約: Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 44.344548601242444
- License:
- Abstract: Recent advancements in industrial anomaly detection (AD) have demonstrated that incorporating a small number of anomalous samples during training can significantly enhance accuracy. However, this improvement often comes at the cost of extensive annotation efforts, which are impractical for many real-world applications. In this paper, we introduce a novel framework, Weak}ly-supervised RESidual Transformer (WeakREST), designed to achieve high anomaly detection accuracy while minimizing the reliance on manual annotations. First, we reformulate the pixel-wise anomaly localization task into a block-wise classification problem. Second, we introduce a residual-based feature representation called Positional Fast Anomaly Residuals (PosFAR) which captures anomalous patterns more effectively. To leverage this feature, we adapt the Swin Transformer for enhanced anomaly detection and localization. Additionally, we propose a weak annotation approach, utilizing bounding boxes and image tags to define anomalous regions. This approach establishes a semi-supervised learning context that reduces the dependency on precise pixel-level labels. To further improve the learning process, we develop a novel ResMixMatch algorithm, capable of handling the interplay between weak labels and residual-based representations. On the benchmark dataset MVTec-AD, our method achieves an Average Precision (AP) of $83.0\%$, surpassing the previous best result of $82.7\%$ in the unsupervised setting. In the supervised AD setting, WeakREST attains an AP of $87.6\%$, outperforming the previous best of $86.0\%$. Notably, even when using weaker annotations such as bounding boxes, WeakREST exceeds the performance of leading methods relying on pixel-wise supervision, achieving an AP of $87.1\%$ compared to the prior best of $86.0\%$ on MVTec-AD.
- Abstract（参考訳）: 産業異常検出(AD)の最近の進歩は、トレーニング中に少数の異常サンプルを組み込むことで、精度が著しく向上することを示した。
しかし、この改善は、多くの現実世界のアプリケーションにとって実用的でない広範囲なアノテーションの努力のコストが伴うことが多い。
本稿では,手動アノテーションへの依存を最小限に抑えつつ,高い異常検出精度を実現するための新しいフレームワーク,Weak} 教師付きresidual Transformer(WeakREST)を紹介する。
まず,画素単位の異常な局所化タスクをブロック単位の分類問題に再構成する。
第2に,ポジショナル高速異常残差(PosFAR)と呼ばれる残差に基づく特徴表現を導入し,異常パターンをより効果的に捉えた。
この機能を活用するために,Swin Transformerを改良した異常検出と局所化に適用する。
さらに,境界ボックスと画像タグを用いて異常領域を定義する弱いアノテーション手法を提案する。
このアプローチは、正確なピクセルレベルのラベルへの依存を減らす半教師付き学習コンテキストを確立する。
学習過程をさらに改善するため,弱いラベルと残差に基づく表現との相互作用を処理できる新しいResMixMatchアルゴリズムを開発した。
ベンチマークデータセット MVTec-AD では,平均精度 (AP) が 83.0 %$ となり,教師なし設定では 82.7 %$ を突破した。
監督されたAD設定では、WeakRESTは87.6\%$のAPを獲得し、以前の最高値である86.0\%$のAPを上回った。
特に、バウンディングボックスのような弱いアノテーションを使用する場合であっても、WeakRESTはピクセル単位の監視に依存するリードメソッドのパフォーマンスを上回り、以前のMVTec-ADの最高値である8.6.0\%よりも8.1\%のAPを達成している。
関連論文リスト
- Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly
Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。
本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。
当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文 参考訳（メタデータ） (2023-10-01T21:24:05Z) - REB: Reducing Biases in Representation for Industrial Anomaly Detection [16.550844182346314]
本稿では,ドメイン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,特徴空間における局所密度バイアスを低減し,効果的な異常検出を実現するために,局所密度KNN(LDKNN)を提案する。
提案したREB法は,Vgg11やResnet18などの小さなバックボーンネットワークを用いて,広く使用されているMVTec AD上で99.5%のIm.AUROCを実現する。
論文 参考訳（メタデータ） (2023-08-24T05:32:29Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - 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) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z) - Combining GANs and AutoEncoders for Efficient Anomaly Detection [0.0]
CBiGANは画像の異常検出のための新しい方法である。
我々のモデルは、かなり優れたモデリング能力と再構成整合性を示す。
実験により, 提案手法はBiGANの定式化性能を大きなマージンで向上することを示した。
論文 参考訳（メタデータ） (2020-11-16T17:07:55Z) - 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) - Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic
Segmentation [63.75774438196315]
Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。
既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。
ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
論文 参考訳（メタデータ） (2020-04-19T15:30:26Z)
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。