論文の概要: Contextual Affinity Distillation for Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2307.03101v1
• Date: Thu, 6 Jul 2023 16:18:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 13:26:26.735139
• Title: Contextual Affinity Distillation for Image Anomaly Detection
• Title（参考訳）: 画像異常検出のためのコンテクストアフィニティ蒸留
• Authors: Jie Zhang, Masanori Suganuma, Takayuki Okatani
• Abstract要約: そこで我々は,教師の行動をよりよく模倣するために,2人の生徒(地域とグローバル)を用いることを提案する。 提案手法は,MVTec LOCO ADデータセット上で,煩雑なトレーニング手法を必要とせず,新たな最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 28.296651124677556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous works on unsupervised industrial anomaly detection mainly focus on local structural anomalies such as cracks and color contamination. While achieving significantly high detection performance on this kind of anomaly, they are faced with logical anomalies that violate the long-range dependencies such as a normal object placed in the wrong position. In this paper, based on previous knowledge distillation works, we propose to use two students (local and global) to better mimic the teacher's behavior. The local student, which is used in previous studies mainly focuses on structural anomaly detection while the global student pays attention to logical anomalies. To further encourage the global student's learning to capture long-range dependencies, we design the global context condensing block (GCCB) and propose a contextual affinity loss for the student training and anomaly scoring. Experimental results show the proposed method doesn't need cumbersome training techniques and achieves a new state-of-the-art performance on the MVTec LOCO AD dataset.
• Abstract（参考訳）: 従来、非監督的産業異常検出の研究は、主にひび割れや色汚染などの局所的な構造異常に焦点を当てていた。 この種の異常に対する検出性能は著しく向上するが、通常の物体が間違った位置に置かれているような長距離依存に反する論理的異常に直面している。 本稿では,過去の知識蒸留研究に基づいて,生徒2名(地域とグローバル)を用いて,教師の行動を模倣する手法を提案する。 先行研究で用いられる地域学生は主に構造異常の検出に焦点をあて、グローバル学生は論理異常に注意を払っている。 さらに,学生の長期的依存を捉えるための学習を促すために,GCCB(Global context condensing block)を設計し,学生のトレーニングと異常スコアに対する文脈親和性損失を提案する。 実験結果から,提案手法は煩雑なトレーニング手法を必要とせず,MVTec LOCO ADデータセット上で新たな最先端性能を実現する。

関連論文リスト

• Dual-Modeling Decouple Distillation for Unsupervised Anomaly Detection [15.89869857998053]
  教師ネットワークへの学生ネットワークの過度な一般化は、異常の表現能力に無視できない違いをもたらす可能性がある。 既存の手法では, 生徒と教師を構造的観点から区別することで, オーバージェネリゼーションの可能性に対処する。 本稿では,非教師付き異常検出のためのDual-Modeling Deouple Distillation (DMDD)を提案する。
  論文  参考訳（メタデータ） (2024-08-07T16:39:16Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Structural Teacher-Student Normality Learning for Multi-Class Anomaly Detection and Localization [17.543208086457234]
  SNL(Structure Teacher-Student Normality Learning)と呼ばれる新しいアプローチを導入する。 提案手法をMVTecADとVisAの2つの異常検出データセットで評価した。 この方法では, MVTecADが3.9%, MVTecADが1.5%, VisAが1.2%, 2.5%と, 最先端の蒸留アルゴリズムをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T00:02:24Z)
• 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)
• 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)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection [6.553276620691242]
  本稿では,論理的制約を伴う視覚異常検出のためのGlobal-Local Cor correspondingence Framework (GLCF) という新しいフレームワークを提案する。 視覚異常検出は、産業的異常検出や医学的疾患の診断など、様々な現実世界の応用において活発な研究領域となっている。
  論文  参考訳（メタデータ） (2023-03-10T08:09:40Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Asymmetric Student-Teacher Networks for Industrial Anomaly Detection [22.641661538154054]
  本研究は,学生・教員による異常検出手法の既知の問題点を明らかにする。 2つのニューラルネットワークがトレーニングされ、欠陥のないトレーニング例で同じ出力を生成する。 本手法は, MVTec AD と MVTec 3D-AD の2つの現在最も関連性の高い欠陥検出データセットに対して, 最先端の結果を生成する。
  論文  参考訳（メタデータ） (2022-10-14T13:56:50Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for Anomaly Detection and Localization [19.23452967227186]
  本稿では,教師なし異常検出と位置推定のための新しいフレームワークを提案する。 本手法は, 粗いアライメントプロセスを用いて, 正規画像から高密度かつコンパクトな分布を学習することを目的としている。 本フレームワークは, 種々の実世界の欠陥の検出に有効であり, 産業用無監督異常検出における新たな最先端技術を実現する。
  論文  参考訳（メタデータ） (2021-10-09T10:44:58Z)

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。