論文の概要: Noise-to-Norm Reconstruction for Industrial Anomaly Detection and Localization

• arxiv url: http://arxiv.org/abs/2307.02836v1
• Date: Thu, 6 Jul 2023 08:06:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 14:43:32.383152
• Title: Noise-to-Norm Reconstruction for Industrial Anomaly Detection and Localization
• Title（参考訳）: 産業異常検出と位置推定のためのノイズ・ノーム再構成
• Authors: Shiqi Deng and Zhiyu Sun and Ruiyan Zhuang and Jun Gong
• Abstract要約: 異常検出は幅広い応用があり、特に工業品質検査において重要である。 再構成に基づく手法では, サンプルの位置差を考慮せずに, 再構成誤差を用いて異常を検出する。 本研究では, 異常領域の不変な再構成を回避するため, ノイズ・ツー・ノーム・パラダイムを用いた再構成手法を提案する。
• 参考スコア（独自算出の注目度）: 5.101905755052051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection has a wide range of applications and is especially important in industrial quality inspection. Currently, many top-performing anomaly-detection models rely on feature-embedding methods. However, these methods do not perform well on datasets with large variations in object locations. Reconstruction-based methods use reconstruction errors to detect anomalies without considering positional differences between samples. In this study, a reconstruction-based method using the noise-to-norm paradigm is proposed, which avoids the invariant reconstruction of anomalous regions. Our reconstruction network is based on M-net and incorporates multiscale fusion and residual attention modules to enable end-to-end anomaly detection and localization. Experiments demonstrate that the method is effective in reconstructing anomalous regions into normal patterns and achieving accurate anomaly detection and localization. On the MPDD and VisA datasets, our proposed method achieved more competitive results than the latest methods, and it set a new state-of-the-art standard on the MPDD dataset.
• Abstract（参考訳）: 異常検出には幅広い応用があり、特に工業品質検査において重要である。 現在、多くの最高の異常検出モデルは特徴埋め込み法に依存している。 しかし、これらの手法は、オブジェクト位置の変動が大きいデータセットではうまく機能しない。 再構成に基づく手法では、サンプルの位置差を考慮せずに再構成誤差を用いて異常を検出する。 本研究では,異常領域の不変な再構成を回避し,ノイズ・ツー・ノルムパラダイムを用いた再構成手法を提案する。 再構成ネットワークはM-netをベースとして,マルチスケールフュージョンと残留アテンションモジュールを組み込んで,エンドツーエンドの異常検出とローカライゼーションを実現している。 実験により, 異常領域を正常なパターンに再構成し, 正確な異常検出と局所化を実現するのに有効であることが示された。 mpddデータセットとvisaデータセットでは,提案手法が最新の手法よりも高い競合性能を達成し,mpddデータセットに新たな最先端標準を設定した。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Reconstruction-Based Anomaly Localization via Knowledge-Informed Self-Training [10.565214056914174]
  知識インフォームド・セルフトレーニング(KIST)は、自己学習を通じて知識を再構築モデルに統合する。 KISTは、異常サンプルに加えて弱いラベル付けされた異常サンプルを使用し、異常サンプルのピクセルレベルの擬似ラベルを得るために知識を活用する。
  論文  参考訳（メタデータ） (2024-02-22T03:15:13Z)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Denoising diffusion models for out-of-distribution detection [2.113925122479677]
  我々は,確率拡散モデル(DDPM)を自己エンコーダの復号化として活用する。 DDPMを用いてノイズレベルの範囲の入力を再構成し,結果の多次元再構成誤差を用いてアウト・オブ・ディストリビューション入力を分類する。
  論文  参考訳（メタデータ） (2022-11-14T20:35:11Z)
• Visual Anomaly Detection Via Partition Memory Bank Module and Error Estimation [28.100204573591505]
  視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。 本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。 提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
  論文  参考訳（メタデータ） (2022-09-26T06:15:47Z)
• 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)
• DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection [14.234783431842542]
  識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。 DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。 挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-08-17T13:17:29Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。