論文の概要: That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering
- arxiv url: http://arxiv.org/abs/2307.03243v1
- Date: Thu, 6 Jul 2023 18:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 14:18:22.128889
- Title: That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering
- Title(参考訳): BAD:局所的特徴クラスタリングによるブラインド異常検出
- Authors: Jie Zhang, Masanori Suganuma, Takayuki Okatani
- Abstract要約: ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。
画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。
実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
- 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: Recent studies on visual anomaly detection (AD) of industrial
objects/textures have achieved quite good performance. They consider an
unsupervised setting, specifically the one-class setting, in which we assume
the availability of a set of normal (\textit{i.e.}, anomaly-free) images for
training. In this paper, we consider a more challenging scenario of
unsupervised AD, in which we detect anomalies in a given set of images that
might contain both normal and anomalous samples. The setting does not assume
the availability of known normal data and thus is completely free from human
annotation, which differs from the standard AD considered in recent studies.
For clarity, we call the setting blind anomaly detection (BAD). We show that
BAD can be converted into a local outlier detection problem and propose a novel
method named PatchCluster that can accurately detect image- and pixel-level
anomalies. Experimental results show that PatchCluster shows a promising
performance without the knowledge of normal data, even comparable to the SOTA
methods applied in the one-class setting needing it.
- Abstract(参考訳): 産業用物体・テクスチャの視覚異常検出(AD)に関する最近の研究は、非常に優れた成果を上げている。
彼らは教師なしの設定、特に1つのクラス設定を考慮し、トレーニングのための正規(\textit{i.e}, anomaly-free)イメージセットが利用可能であると仮定する。
本稿では,通常のサンプルと異常サンプルの両方を含む可能性のある画像の集合における異常を検出する,教師なしADのより困難なシナリオについて考察する。
この設定は、既知の正規データの可用性を前提とせず、最近の研究で考慮されている標準ADとは全く異なる人間のアノテーションから完全に解放されている。
明確にするために、seting blind anomaly detection (bad)と呼ぶ。
本稿では,badを局所的異常検出問題に変換できることを示すとともに,画像および画素レベルの異常を正確に検出できるpatchclusterという新しい手法を提案する。
実験結果から、PatchClusterは通常のデータを知ることなく有望な性能を示し、必要な1クラス設定で適用されるSOTAメソッドに匹敵する性能を示した。
関連論文リスト
- Toward Generalist Anomaly Detection via In-context Residual Learning
with Few-shot Sample Prompts [30.278418852521344]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、異なるアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。
InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。
クエリ画像と数発のサンプルプロンプト間の残差の全体的評価に基づいて、通常のサンプルから異常を識別する補助データセットを用いて訓練する。
論文 参考訳(メタデータ) (2024-03-11T08:07:46Z) - Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。
これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。
提案手法はAPやAUCといった最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2024-03-02T10:42:47Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳(メタデータ) (2023-08-29T13:38:35Z) - CARLA: Self-supervised Contrastive Representation Learning for Time
Series Anomaly Detection [57.75766902905591]
時系列異常検出(TAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳(メタデータ) (2023-08-18T04:45:56Z) - UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。
既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。
UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2021-11-16T17:28:46Z) - Self-Supervised Out-of-Distribution Detection and Localization with
Natural Synthetic Anomalies (NSA) [3.862647284311923]
我々は、異常検出とローカライゼーションのためのエンドツーエンドモデルをトレーニングするための、新しい自己監督タスクであるNSAを導入する。
NSAはPoissonの画像編集を使って、さまざまなサイズのスケールしたパッチを別の画像とシームレスにブレンドしている。
MVTec ADデータセットを用いた実験により、NSA異常のローカライズを訓練したモデルが、実世界の未知の製造欠陥を検出するのに有効であることが示された。
論文 参考訳(メタデータ) (2021-09-30T15:50:04Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳(メタデータ) (2021-03-05T01:56:58Z) - Unsupervised Anomaly Detection and Localisation with Multi-scale
Interpolated Gaussian Descriptors [31.02818044068126]
2つの問題に対処するために,教師なしの異常検出と局所化手法を提案する。
本稿では,正規画像の低表示クラスに対して頑健な正規画像分布推定手法を提案する。
また,マルチスケール構造および非構造的異常を正確に検出・局在化可能な新しい異常識別基準を提案する。
論文 参考訳(メタデータ) (2021-01-25T12:38:51Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-27T18:39:24Z) - OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。
3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文 参考訳(メタデータ) (2020-01-18T09:57:37Z)
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。