論文の概要: PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation

• arxiv url: http://arxiv.org/abs/2307.04956v1
• Date: Tue, 11 Jul 2023 01:17:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 16:42:31.819299
• Title: PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation
• Title（参考訳）: PKU-GoodsAD:教師なし異常検出とセグメンテーションのためのスーパーマーケットグッズデータセット
• Authors: Jian Zhang, Ge Yang, Miaoju Ban, Runwei Ding
• Abstract要約: このデータセットは、484種類の外装品を6つのカテゴリに分けた6124個の高解像度画像を含む。 教師なしの設定に従い、通常の(欠陥のない)画像のみをトレーニングに使用する。 我々はまた、現在最先端の教師なし異常検出手法を徹底的に評価する。
• 参考スコア（独自算出の注目度）: 6.950686169363206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual anomaly detection is essential and commonly used for many tasks in the field of computer vision. Recent anomaly detection datasets mainly focus on industrial automated inspection, medical image analysis and video surveillance. In order to broaden the application and research of anomaly detection in unmanned supermarkets and smart manufacturing, we introduce the supermarket goods anomaly detection (GoodsAD) dataset. It contains 6124 high-resolution images of 484 different appearance goods divided into 6 categories. Each category contains several common different types of anomalies such as deformation, surface damage and opened. Anomalies contain both texture changes and structural changes. It follows the unsupervised setting and only normal (defect-free) images are used for training. Pixel-precise ground truth regions are provided for all anomalies. Moreover, we also conduct a thorough evaluation of current state-of-the-art unsupervised anomaly detection methods. This initial benchmark indicates that some methods which perform well on the industrial anomaly detection dataset (e.g., MVTec AD), show poor performance on our dataset. This is a comprehensive, multi-object dataset for supermarket goods anomaly detection that focuses on real-world applications.
• Abstract（参考訳）: 視覚異常検出はコンピュータビジョンの分野で多くのタスクに必須であり、一般的に用いられる。 最近の異常検出データセットは主に産業自動化検査、医療画像分析、ビデオ監視に焦点を当てている。 無人のスーパーマーケットやスマート製造における異常検出の適用範囲を広げ,研究するために,スーパーマーケット商品の異常検出(GoodsAD)データセットを導入する。 484種類の外見品を6つのカテゴリに分けた6124枚の高解像度画像を含んでいる。 各カテゴリには、変形、表面損傷、開口など、いくつかの一般的な種類の異常が含まれている。 異常はテクスチャ変化と構造変化の両方を含む。 教師なしの設定に従い、通常の(欠陥のない)画像のみをトレーニングに使用する。 画素精度の基底真理領域は、全ての異常に対して提供される。 また,現在最先端の教師なし異常検出手法を徹底的に評価する。 この最初のベンチマークは、産業的異常検出データセット(例えばMVTec AD)でうまく機能するいくつかのメソッドが、我々のデータセットで性能が悪いことを示している。 これは、現実世界のアプリケーションに焦点を当てたスーパーマーケット商品異常検出のための包括的でマルチオブジェクトデータセットである。

関連論文リスト

• AnomalousPatchCore: Exploring the Use of Anomalous Samples in Industrial Anomaly Detection [2.2742404315918927]
  視覚検査(英: visual inspection)または産業異常検出(英: industrial anomaly detection)は、製造業において最も一般的な品質管理タイプの一つである。 ほとんどの異常検出法は、通常のサンプルからのみ知識を利用でき、しばしば利用可能な異常サンプルからの情報を活用することができない。 そこで本研究では,異常検出システムであるAnomalousPatchCore(APC)を提案する。
  論文  参考訳（メタデータ） (2024-08-27T14:51:34Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• 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)
• 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)
• AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection [30.679012320439625]
  AnomalyCLIPはオブジェクトに依存しないテキストを学習し、画像の一般的な正規性と異常をキャプチャする。 非常に多様なクラスセマンティクスのデータセットにおける異常の検出とセグメンテーションにおいて、優れたゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2023-10-29T10:03:49Z)
• MIAD: A Maintenance Inspection Dataset for Unsupervised Anomaly Detection [20.74058429884136]
  保守検査異常検出データセットは100K以上の高解像度カラー画像を含む。 このデータセットは3Dグラフィックソフトウェアによって生成され、表面および論理異常の両方をピクセル精度の基底真理でカバーしている。
  論文  参考訳（メタデータ） (2022-11-25T09:19:36Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Domain-Generalized Textured Surface Anomaly Detection [29.88664324332402]
  異常検出は、正常なデータから逸脱する異常なデータを特定することを目的としており、このタスクを実行するために十分な量の正常なデータを必要とする。 本稿では,ドメイン一般化型表面異常検出の課題に対処する。 我々のモデルは、テスト中にごく少数の正常なデータしか観測できない、見当たらないテクスチャ面に一般化されることが期待されている。
  論文  参考訳（メタデータ） (2022-03-23T10:01:35Z)
• The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization [17.437967037670813]
  教師なし異常検出と局所化のタスクのための,最初の包括的3Dデータセットを提案する。 これは、モデルが製造された製品の様々な種類の欠陥を検出する必要がある実世界の視覚検査シナリオにインスパイアされている。
  論文  参考訳（メタデータ） (2021-12-16T17:35:51Z)

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。