論文の概要: LafitE: Latent Diffusion Model with Feature Editing for Unsupervised
Multi-class Anomaly Detection
- arxiv url: http://arxiv.org/abs/2307.08059v1
- Date: Sun, 16 Jul 2023 14:41:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 16:04:15.891541
- Title: LafitE: Latent Diffusion Model with Feature Editing for Unsupervised
Multi-class Anomaly Detection
- Title(参考訳): LafitE: 教師なしマルチクラス異常検出のための特徴編集付き潜時拡散モデル
- Authors: Haonan Yin and Guanlong Jiao and Qianhui Wu and Borje F. Karlsson and
Biqing Huang and Chin Yew Lin
- Abstract要約: 我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。
まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。
「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
- 参考スコア(独自算出の注目度): 12.596635603629725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of flexible manufacturing systems that are required to produce
different types and quantities of products with minimal reconfiguration, this
paper addresses the problem of unsupervised multi-class anomaly detection:
develop a unified model to detect anomalies from objects belonging to multiple
classes when only normal data is accessible. We first explore the
generative-based approach and investigate latent diffusion models for
reconstruction to mitigate the notorious ``identity shortcut'' issue in
auto-encoder based methods. We then introduce a feature editing strategy that
modifies the input feature space of the diffusion model to further alleviate
``identity shortcuts'' and meanwhile improve the reconstruction quality of
normal regions, leading to fewer false positive predictions. Moreover, we are
the first who pose the problem of hyperparameter selection in unsupervised
anomaly detection, and propose a solution of synthesizing anomaly data for a
pseudo validation set to address this problem. Extensive experiments on
benchmark datasets MVTec-AD and MPDD show that the proposed LafitE, \ie, Latent
Diffusion Model with Feature Editing, outperforms state-of-art methods by a
significant margin in terms of average AUROC. The hyperparamters selected via
our pseudo validation set are well-matched to the real test set.
- Abstract(参考訳): 最小限の再構成で異なる種類の製品を製造するために必要となるフレキシブルな製造システムにおいて,本論文は教師なしマルチクラス異常検出の問題に対処する: 通常のデータのみにアクセス可能な複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発する。
まず, 自動エンコーダ法における「アイデンティティ・ショートカット」問題を軽減するため, 生成的アプローチを探索し, 遅延拡散モデルを用いて再構成を行う。
次に, 拡散モデルの入力特徴空間を修飾し, ``identity shortcuts'' をさらに緩和すると共に, 正規領域の再構成品質を向上し, 偽陽性予測を少なくする特徴編集戦略を提案する。
さらに、教師なし異常検出におけるハイパーパラメータ選択の問題を最初に提起し、この問題に対処するための疑似検証セットに対して、異常データを合成するソリューションを提案する。
ベンチマークデータセット MVTec-AD と MPDD の広範な実験により、提案されたLafitE, \ie, Latent Diffusion Model with Feature Editing は、平均 AUROC の点で最先端の手法よりも優れた性能を示した。
擬似検証セットで選択したハイパーパラメータは、実際のテストセットとよく一致します。
関連論文リスト
- MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。
具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。
我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
論文 参考訳(メタデータ) (2024-01-15T12:51:13Z) - Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly
Detection [3.6049348666007934]
本稿では,時系列における教師なしオンライン異常検出のためのハイブリッドアテンションとオートエンコーダ(AE)モデルを提案する。
オートエンコーダは局所的な構造パターンを短い埋め込みで捉え、アテンションモデルは長期的特徴を学習し、位置符号化による並列計算を容易にする。
これは、ディープトランスモデルに似た注意に基づくメカニズムを採用しており、オートエンコーダの潜在空間における次のステップウィンドウを予測するための重要なアーキテクチャ上の変更である。
論文 参考訳(メタデータ) (2024-01-06T22:55:02Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳(メタデータ) (2023-11-24T14:26:07Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly
Detector GAN [4.929399529593514]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳(メタデータ) (2023-04-16T13:05:39Z) - One-Step Detection Paradigm for Hyperspectral Anomaly Detection via
Spectral Deviation Relationship Learning [17.590080772567678]
ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。
現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。
本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
論文 参考訳(メタデータ) (2023-03-22T06:41:09Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - 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) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。