論文の概要: Visualization for Multivariate Gaussian Anomaly Detection in Images

• arxiv url: http://arxiv.org/abs/2307.06052v1
• Date: Wed, 12 Jul 2023 10:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 13:30:26.632494
• Title: Visualization for Multivariate Gaussian Anomaly Detection in Images
• Title（参考訳）: 画像における多変量ガウス異常検出の可視化
• Authors: Joao P C Bertoldo and David Arrustico
• Abstract要約: 本稿では,画像中の異常検出のためのPaDiM(Pixel-Wise Anomaly Detection through Instance Modeling)法の簡易なバリエーションを提案する。 特徴ベクトルに白化変換を適用することで、このフレームワークの中間ステップを導入する。 その結果、視覚モデル検証の重要性が示され、そうでなければ見えない問題に対する洞察を提供することができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper introduces a simplified variation of the PaDiM (Pixel-Wise Anomaly Detection through Instance Modeling) method for anomaly detection in images, fitting a single multivariate Gaussian (MVG) distribution to the feature vectors extracted from a backbone convolutional neural network (CNN) and using their Mahalanobis distance as the anomaly score. We introduce an intermediate step in this framework by applying a whitening transformation to the feature vectors, which enables the generation of heatmaps capable of visually explaining the features learned by the MVG. The proposed technique is evaluated on the MVTec-AD dataset, and the results show the importance of visual model validation, providing insights into issues in this framework that were otherwise invisible. The visualizations generated for this paper are publicly available at https://doi.org/10.5281/zenodo.7937978.
• Abstract（参考訳）: 本稿では,画像内の異常検出のためのPaDiM(Pixel-Wise Anomaly Detection through Instance Modeling)法を単純化し,背骨畳み込みニューラルネットワーク(CNN)から抽出した特徴ベクトルに単一の多変量ガウス分布を適用し,そのマハラノビス距離を異常スコアとして利用する。 本稿では,特徴ベクトルにホワイトニング変換を適用することで,mvg で学習した特徴を視覚的に説明可能なヒートマップの生成を可能にする。 提案手法はMVTec-ADデータセットを用いて評価され,その結果から視覚モデル検証の重要性が示され,他の方法では見えない問題に対する洞察が得られた。 この論文で生成された可視化はhttps://doi.org/10.5281/zenodo.7937978で公開されている。

関連論文リスト

• Adaptive Graph Convolution Module for Salient Object Detection [7.278033100480174]
  本稿では,複雑なシーンを扱うための適応型グラフ畳み込みモジュール(AGCM)を提案する。 学習可能な領域生成層を用いて入力画像からプロトタイプ特徴を抽出する。 提案したAGCMは,SOD性能を定量的かつ定量的に劇的に向上させる。
  論文  参考訳（メタデータ） (2023-03-17T07:07:17Z)
• Difference of Anisotropic and Isotropic TV for Segmentation under Blur and Poisson Noise [2.6381163133447836]
  画像をスムーシング・アンド・スレッディング(SaT)セグメンテーションフレームワークを採用して、スムースなソリューションを見つけ、次に$k-meansで画像のセグメンテーションを行う。 具体的には、画像平滑化ステップにおいて、ムムフォードシャーモデルの最大雑音を正則化として、異方性全変動(AITV)の最大変動に置き換える。 スキームの有効性を検証するための収束解析が提供される。
  論文  参考訳（メタデータ） (2023-01-06T01:14:56Z)
• 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)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Integrated Grad-CAM: Sensitivity-Aware Visual Explanation of Deep Convolutional Networks via Integrated Gradient-Based Scoring [26.434705114982584]
  Grad-CAMは、モデルから得られたアクティベーションマップを組み合わせて視覚化する一般的なソリューションである。 Grad-CAMのグラデーションベース項のパス積分を計算することで、この問題に取り組むソリューションを紹介します。 CNNの予測のために抽出された表現の重要性を計測する手法で達成した改善を徹底した分析を行います。
  論文  参考訳（メタデータ） (2021-02-15T19:21:46Z)
• Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
  解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。 本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
  論文  参考訳（メタデータ） (2020-11-24T02:18:08Z)
• 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)
• Anomaly localization by modeling perceptual features [3.04585143845864]
  特徴拡張型VAEは、入力画像を画素空間や複数の異なる特徴空間で再構成することで訓練される。 MVTec異常検出およびローカライゼーションデータセットの最先端手法に対する明確な改善を実現する。
  論文  参考訳（メタデータ） (2020-08-12T15:09:13Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Graph-based fusion for change detection in multi-spectral images [16.365393959740718]
  本稿では,マルチスペクトル画像における変化検出の問題点を,グラフベースのデータ融合によるデータ駆動型フレームワークの提案により解決する。 我々は,定性的,定量的な分析により,リモートセンシングの2つの実例でアプローチを検証した。
  論文  参考訳（メタデータ） (2020-04-02T02:59:00Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。