Fugu-MT 論文翻訳(概要): Patch-wise Auto-Encoder for Visual Anomaly Detection

論文の概要: Patch-wise Auto-Encoder for Visual Anomaly Detection

arxiv url: http://arxiv.org/abs/2308.00429v2
Date: Wed, 14 Aug 2024 03:28:01 GMT
ステータス: 処理完了
システム内更新日: 2024-08-15 18:46:43.188670
Title: Patch-wise Auto-Encoder for Visual Anomaly Detection
Title（参考訳）: 視覚異常検出のためのパッチワイズ自動エンコーダ
Authors: Yajie Cui, Zhaoxiang Liu, Shiguo Lian,
Abstract要約: 本稿では,AEのアノマリーに対する再構成能力を弱めることなく向上することを目的としたパッチワイド自動エンコーダフレームワークを提案する。本手法は,Mvtec ADベンチマークの最先端性能を向上し,本モデルの有効性を実証する。
参考スコア（独自算出の注目度）: 1.7546477549938133
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection without priors of the anomalies is challenging. In the field of unsupervised anomaly detection, traditional auto-encoder (AE) tends to fail based on the assumption that by training only on normal images, the model will not be able to reconstruct abnormal images correctly. On the contrary, we propose a novel patch-wise auto-encoder (Patch AE) framework, which aims at enhancing the reconstruction ability of AE to anomalies instead of weakening it. Each patch of image is reconstructed by corresponding spatially distributed feature vector of the learned feature representation, i.e., patch-wise reconstruction, which ensures anomaly-sensitivity of AE. Our method is simple and efficient. It advances the state-of-the-art performances on Mvtec AD benchmark, which proves the effectiveness of our model. It shows great potential in practical industrial application scenarios.
Abstract（参考訳）: 異常の前兆のない異常検出は困難である。教師なし異常検出の分野では、従来のオートエンコーダ(AE)は、通常の画像のみをトレーニングすることで、異常画像を正しく再構成できないという仮定に基づいて失敗する傾向にある。これに対し,パッチワイド自動エンコーダ(パッチAE)フレームワークを提案する。画像の各パッチは、学習した特徴表現の空間分布の特徴ベクトル、すなわちパッチワイド再構成によって再構成され、AEの異常感度が保証される。私たちの方法はシンプルで効率的です。 Mvtec ADベンチマークの最先端性能を向上し,本モデルの有効性を実証する。これは、実用的な産業応用シナリオにおいて大きな可能性を示しています。

関連論文リスト

Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
論文参考訳（メタデータ） (2024-11-23T19:10:32Z)
GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文参考訳（メタデータ） (2024-07-17T09:27:41Z)
Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data [11.237938539765825]
オートエンコーダ(AE)は通常、データを再構築するために訓練される。テスト期間中、AEは実際の異常を使用して訓練されていないため、異常データを十分に再構成することが期待されている。我々は,新しい潜在的拘束損失を導入することで,AEの再建能力を制限することを提案する。
論文参考訳（メタデータ） (2024-03-24T19:22:15Z)
Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors [117.61449210940955]
ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
論文参考訳（メタデータ） (2023-06-21T06:18:05Z)
Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文参考訳（メタデータ） (2023-03-09T08:33:38Z)
Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-28T01:57:57Z)
MAEDAY: MAE for few and zero shot AnomalY-Detection [44.99483220711847]
画像の塗装を自己指導的に訓練したトランスフォーマーモデルMasked Auto-Encoder (MAE) を異常検出(AD)に使用することを提案する。 MaEDAYは,事前学習モデルを用いた最初の画像再構成に基づく異常検出手法である。
論文参考訳（メタデータ） (2022-11-25T18:59:46Z)
Unsupervised Anomaly Detection in Medical Images with a Memory-augmented Multi-level Cross-attentional Masked Autoencoder [33.5760501931736]
教師なし異常検出(UAD)は、通常の画像のみを含むトレーニングセットを使用して検出器を最適化することにより、異常な画像を見つけることを目的としている。 UADアプローチは、再構成方法、自己教師付きアプローチ、およびImagenet事前訓練モデルに基づくことができる。異常画像に対する低い再構成誤差問題に対処する新しい再構成に基づくUDA手法を提案する。
論文参考訳（メタデータ） (2022-03-22T13:32:42Z)
Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。モデル非依存異常検出の課題に対する性能改善策を提案する。
論文参考訳（メタデータ） (2021-04-19T05:06:57Z)
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文参考訳（メタデータ） (2021-04-08T19:04:55Z)
ARAE: Adversarially Robust Training of Autoencoders Improves Novelty Detection [6.992807725367106]
オートエンコーダ(AE)は新規性検出問題にアプローチするために広く利用されている。より意味論的に意味のある特徴を学習できる新しいAEを提案する。よりシンプルなアーキテクチャを使用しているにもかかわらず、提案されたAEは、3つのベンチマークデータセットで最先端の競合に勝っているか、あるいは競合していることを示す。
論文参考訳（メタデータ） (2020-03-12T09:06:41Z)

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。