論文の概要: Optimizing PatchCore for Few/many-shot Anomaly Detection
- arxiv url: http://arxiv.org/abs/2307.10792v1
- Date: Thu, 20 Jul 2023 11:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 13:19:12.717837
- Title: Optimizing PatchCore for Few/many-shot Anomaly Detection
- Title（参考訳）: Few/many-shot異常検出のためのPatchCoreの最適化
- Authors: Jo\~ao Santos, Triet Tran, Oliver Rippel
- Abstract要約: Few-shot Anomaly Detection (AD)は、ADの新たなサブフィールドである。
本稿では,現在最先端のフルショットAD/ASアルゴリズムであるPatchCoreの性能について,複数ショット設定と多ショット設定の両方で検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot anomaly detection (AD) is an emerging sub-field of general AD, and
tries to distinguish between normal and anomalous data using only few selected
samples. While newly proposed few-shot AD methods do compare against
pre-existing algorithms developed for the full-shot domain as baselines, they
do not dedicatedly optimize them for the few-shot setting. It thus remains
unclear if the performance of such pre-existing algorithms can be further
improved. We address said question in this work. Specifically, we present a
study on the AD/anomaly segmentation (AS) performance of PatchCore, the current
state-of-the-art full-shot AD/AS algorithm, in both the few-shot and the
many-shot settings. We hypothesize that further performance improvements can be
realized by (I) optimizing its various hyperparameters, and by (II)
transferring techniques known to improve few-shot supervised learning to the AD
domain. Exhaustive experiments on the public VisA and MVTec AD datasets reveal
that (I) significant performance improvements can be realized by optimizing
hyperparameters such as the underlying feature extractor, and that (II)
image-level augmentations can, but are not guaranteed, to improve performance.
Based on these findings, we achieve a new state of the art in few-shot AD on
VisA, further demonstrating the merit of adapting pre-existing AD/AS methods to
the few-shot setting. Last, we identify the investigation of feature extractors
with a strong inductive bias as a potential future research direction for
(few-shot) AD/AS.
- Abstract（参考訳）: Few-shot Anomaly Detection (AD) はADの出現するサブフィールドであり、少数のサンプルを用いて正常データと異常データの区別を試みる。
新たに提案された数ショットADメソッドは、全ショットドメイン用に開発された既存のアルゴリズムをベースラインとして比較するが、数ショット設定のために専用に最適化するわけではない。
したがって、そのような既存アルゴリズムの性能をさらに改善できるかどうかは不明である。
私たちはこの仕事でその質問に答える。
具体的には,現在最先端のフルショットAD/ASアルゴリズムであるPatchCoreのAD/アノマリーセグメンテーション(AS)性能について,少数ショットと多ショット設定の両方で検討する。
我々は, (I) 様々なハイパーパラメータを最適化し, (II) 少数ショット教師あり学習をADドメインに変換することで, さらなる性能向上を実現することができると仮定した。
パブリックなVisAとMVTec ADデータセットの発掘実験により、(I)基礎となる特徴抽出器のようなハイパーパラメータを最適化することで、(I)重要なパフォーマンス改善を実現し、(II)画像レベルの拡張は、パフォーマンスを改善するために、保証されない。
これらの結果に基づき,visa上でのマイ・ショット広告において,新たな最先端の技術を実現し,既存のad/as手法をマイ・ショット・セッティングに適用するメリットをさらに実証する。
最後に, 強いインダクティブバイアスを有する特徴抽出器について, (few-shot) ad/asの今後の研究方向性として検討する。
関連論文リスト
- Improving Domain Adaptation Through Class Aware Frequency Transformation [15.70058524548143]
Unsupervised Domain Adaptation (UDA)アルゴリズムのほとんどは、ラベル付きソースと非ラベル付きターゲットドメインの間のグローバルドメインシフトの削減に重点を置いている。
本稿では,従来の画像処理手法であるCAFT(Class Aware Frequency Transformation)に基づく新しい手法を提案する。
CAFTは、既存のUDAアルゴリズムの全体的な性能を改善するために、擬似ラベルに基づく一貫した低周波スワップを使用する。
論文 参考訳（メタデータ） (2024-07-28T18:16:41Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - Divergence Results and Convergence of a Variance Reduced Version of ADAM [30.10316505009956]
我々はADAM型アルゴリズムが収束していることを示し、これは元々のADAMのばらつきを引き起こす勾配のばらつきを意味する。
数値実験により,提案アルゴリズムはADAMと同等の性能を示した。
論文 参考訳（メタデータ） (2022-10-11T16:54:56Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2022-03-03T22:02:56Z) - On Evolving Attention Towards Domain Adaptation [110.57454902557767]
本稿では、人間の介入なしに特定のUDAタスクの注意構成を進化させる新しいフレームワークであるEvoADAを提案する。
Office-31、Office-Home、CUB-Paintings、Duke-Market-1510といったクロスドメインベンチマークの実験は、提案されたEvoADAが一貫して複数の最先端ドメイン適応アプローチを向上していることを示している。
論文 参考訳（メタデータ） (2021-03-25T01:50:28Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z)
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。