論文の概要: REB: Reducing Biases in Representation for Industrial Anomaly Detection
- arxiv url: http://arxiv.org/abs/2308.12577v1
- Date: Thu, 24 Aug 2023 05:32:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 15:05:02.307656
- Title: REB: Reducing Biases in Representation for Industrial Anomaly Detection
- Title(参考訳): reb:産業異常検出のための表現バイアスの低減
- Authors: Shuai Lyu and Dongmei Mo and Waikeung Wong
- Abstract要約: 本稿では,事前学習モデルの領域バイアスを考慮した表現におけるReduceing Biases (REB)を提案する。
また、自然欠陥を模倣する欠陥生成戦略(DefectMaker)を用いて、ドメイン適応を改善するための自己教師型学習タスクを構築します。
我々は広く使われているMVTec ADベンチマークで99.5%のAUROCを期待できる結果を得た。
- 参考スコア(独自算出の注目度): 18.60149022025244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing K-nearest neighbor (KNN) retrieval-based methods usually conduct
industrial anomaly detection in two stages: obtain feature representations with
a pre-trained CNN model and perform distance measures for defect detection.
However, the features are not fully exploited as they ignore domain bias and
the difference of local density in feature space, which limits the detection
performance. In this paper, we propose Reducing Biases (REB) in representation
by considering the domain bias of the pre-trained model and building a
self-supervised learning task for better domain adaption with a defect
generation strategy (DefectMaker) imitating the natural defects. Additionally,
we propose a local density KNN (LDKNN) to reduce the local density bias and
obtain effective anomaly detection. We achieve a promising result of 99.5\%
AUROC on the widely used MVTec AD benchmark. We also achieve 88.0\% AUROC on
the challenging MVTec LOCO AD dataset and bring an improvement of 4.7\% AUROC
to the state-of-the-art result. All results are obtained with smaller backbone
networks such as Vgg11 and Resnet18, which indicates the effectiveness and
efficiency of REB for practical industrial applications.
- Abstract(参考訳): 既存のK-nearest neighbor (KNN) 探索法では, 既訓練のCNNモデルを用いて特徴表現を取得し, 欠陥検出のための距離測定を行う。
しかし、これらの機能はドメインバイアスや特徴空間の局所密度の違いを無視し、検出性能を制限しているため、完全には利用されない。
本稿では,事前学習モデルのドメインバイアスを考慮し,自然欠陥を模倣した欠陥生成戦略(defectmaker)を用いて,ドメイン適応性向上のための自己教師付き学習タスクを構築することにより,表現におけるバイアス低減(reb)を提案する。
さらに,局所密度KNN(LDKNN)を提案し,局所密度バイアスを低減し,効果的な異常検出を実現する。
我々は広く使われているMVTec ADベンチマークで99.5\% AUROCの有望な結果を得る。
また、挑戦的なMVTec LOCO ADデータセットで88.0\% AUROCを達成し、最先端の結果に4.7\% AUROCの改善をもたらす。
全ての結果はVgg11やResnet18のような小さなバックボーンネットワークで得られ、実用的産業用途におけるREBの有効性と効率性を示している。
関連論文リスト
- UR4NNV: Neural Network Verification, Under-approximation Reachability
Works! [5.0015602549417935]
本報告では,DNN 検証にアンダー近似リーチビリティ解析を利用するUR4NNV 検証フレームワークを提案する。
それぞれのエポックにおいて、UR4NNVはリーチブル集合のサブポリトープをアンダーアロキシメートし、与えられた性質に対してこのポリトープを検証する。
論文 参考訳(メタデータ) (2024-01-23T08:19:00Z) - 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) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised Residual Transformer [46.396242832775314]
異常検出は、通常、訓練中に通常のサンプルのみが見られ、検出器は飛行中の異常を検出する必要があるため、難しい。
最近提案されたディープラーニングベースのアプローチは、この問題を緩和する可能性があるが、実世界の応用のための産業レベルの異常検知器を得るには、まだまだ長い道のりがある。
論文 参考訳(メタデータ) (2023-06-06T08:19:30Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - 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) - Subspace Modeling for Fast Out-Of-Distribution and Anomaly Detection [5.672132510411465]
本稿では、ディープニューラルネットワーク(DNN)における異常および分布外サンプルを検出するための原則的アプローチを提案する。
本稿では,DNN が生成する意味的特徴に対する線形統計量次元削減手法の適用を提案する。
高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normの「機能再構成誤差」(FRE)はOODと異常検出に極めて有効であることを示す。
論文 参考訳(メタデータ) (2022-03-20T00:55:20Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳(メタデータ) (2021-03-10T16:45:22Z) - 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)
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。