論文の概要: Robust Defect Detection with Contrastive Localization

• arxiv url: http://arxiv.org/abs/2306.10720v1
• Date: Mon, 19 Jun 2023 06:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 19:07:26.608335
• Title: Robust Defect Detection with Contrastive Localization
• Title（参考訳）: コントラスト局在を用いたロバスト欠陥検出
• Authors: Jiang Lin and Yaping yan
• Abstract要約: 本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。 欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。 課題であるMVTec ADデータセットのテクスチャクラスにおける実験結果から,提案手法はF1-ScoreのSOTA法よりも2.9%高いが,一般性ではSOTA法よりもかなり優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.2538209532048866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defect detection aims to detect and localize regions out of the normal distribution. Previous works rely on modeling the normality to identify the defective regions, which may lead to non-ideal generalizability. This paper proposed a one-stage framework that detects defective patterns directly without the modeling process. This ability is adopted through the joint efforts of three parties: a generative adversarial network (GAN), a newly proposed scaled pattern loss, and a dynamic masked cycle-consistent auxiliary network. Explicit information that could indicate the position of defects is intentionally excluded to avoid learning any direct mapping. Experimental results on the texture class of the challenging MVTec AD dataset show that the proposed method is 2.9\% higher than the SOTA methods in F1-Score, while substantially outperforming SOTA methods in generalizability.
• Abstract（参考訳）: 欠陥検出は、正常分布から領域を検出し、ローカライズすることを目的としている。 それまでの研究は、欠陥領域を特定するために正規性をモデル化することに頼っていた。 本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。 この能力は、生成的敵ネットワーク(gan)、新しく提案されたスケールドパターン損失、動的マスク付きサイクル一貫性補助ネットワークの3つの組み合わせによって採用されている。 直接マッピングを学ぶのを避けるために、欠陥の位置を示す明示的な情報は意図的に除外される。 挑戦的なmvtec adデータセットのテクスチャクラスにおける実験結果から,提案手法はf1-scoreのsota法よりも2.9\%高い値を示した。

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)
• Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection [7.2414696513135155]
  本稿では,Global-Regularized Neighborhood Regression (GRNR) と呼ばれる新しいゼロショットテクスチャ異常検出手法を提案する。 GRNRはトレーニングデータやコストを使わずに任意のテクスチャ面上の異常を検出することができる。 8つのベンチマークデータセットを用いて, GRNRの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-11T15:02:16Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• 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)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。