論文の概要: Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification

• arxiv url: http://arxiv.org/abs/2308.14595v1
• Date: Mon, 28 Aug 2023 14:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 13:45:43.277951
• Title: Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification
• Title（参考訳）: 異常検出性能向上のためのニューラルネットワークトレーニング戦略--再構成損失増幅の展望
• Authors: YeongHyeon Park, Sungho Kang, Myung Jin Kim, Hyeonho Jeong, Hyunkyu Park, Hyeong Seok Kim, Juneho Yi
• Abstract要約: 非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。 そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
• 参考スコア（独自算出の注目度）: 2.7503452586560484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection (UAD) is a widely adopted approach in industry due to rare anomaly occurrences and data imbalance. A desirable characteristic of an UAD model is contained generalization ability which excels in the reconstruction of seen normal patterns but struggles with unseen anomalies. Recent studies have pursued to contain the generalization capability of their UAD models in reconstruction from different perspectives, such as design of neural network (NN) structure and training strategy. In contrast, we note that containing of generalization ability in reconstruction can also be obtained simply from steep-shaped loss landscape. Motivated by this, we propose a loss landscape sharpening method by amplifying the reconstruction loss, dubbed Loss AMPlification (LAMP). LAMP deforms the loss landscape into a steep shape so the reconstruction error on unseen anomalies becomes greater. Accordingly, the anomaly detection performance is improved without any change of the NN architecture. Our findings suggest that LAMP can be easily applied to any reconstruction error metrics in UAD settings where the reconstruction model is trained with anomaly-free samples only.
• Abstract（参考訳）: 非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 UADモデルの望ましい特徴は、見かけの正常なパターンの再構築に優れているが、見えない異常に悩む一般化能力を含むことである。 近年の研究では、ニューラルネットワーク(NN)構造の設計やトレーニング戦略など、さまざまな観点からの再構築において、UDAモデルの一般化能力を含めることが試みられている。 対照的に、再構築における一般化能力の含有は、単に急な形状のロスランドスケープから得ることができる。 そこで我々は,LAMP (Loss AMPlification) と呼ばれる再構成損失を増幅し,損失景観の鮮明化手法を提案する。 ランプは損失景観を急な形状に変形させるため、目に見えない異常の復元誤差が大きくなる。 これにより、NNアーキテクチャを変更することなく異常検出性能が向上する。 以上の結果から, 再構成モデルが異常なサンプルのみを用いてトレーニングされるUAD設定において, LAMPは任意の再構成誤差指標に容易に適用可能であることが示唆された。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Reconstruction-Based Anomaly Localization via Knowledge-Informed Self-Training [10.565214056914174]
  知識インフォームド・セルフトレーニング(KIST)は、自己学習を通じて知識を再構築モデルに統合する。 KISTは、異常サンプルに加えて弱いラベル付けされた異常サンプルを使用し、異常サンプルのピクセルレベルの擬似ラベルを得るために知識を活用する。
  論文  参考訳（メタデータ） (2024-02-22T03:15:13Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Reconstruction Error-based Anomaly Detection with Few Outlying Examples [1.011824113969195]
  本研究では,正規データのドメイン記述の外部に既知の異常を配置するようにモデルに指示する,再構成エラーに基づくアーキテクチャのアプローチについて検討する。 特に,本手法では,正常例と未知例の双方に関連のある再現誤差の対比を増大させるために,限られた数の異常例を利用する。
  論文  参考訳（メタデータ） (2023-05-17T08:20:29Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection [4.772323272202286]
  正常な特徴と異常な特徴の両方を学習するための2ストリームデコーダネットワーク(TSDN)を提案する。 また、異常な特徴を排除し、異常領域の高品質な再構成を防止するための特徴正規度推定器(FNE)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:46:09Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Generalizable Industrial Visual Anomaly Detection with Self-Induction Vision Transformer [5.116033262865781]
  産業用視覚異常検出・局所化のための自己誘導型視覚変換器(SIVT)を提案する。 提案したSIVTは、まず、事前学習したCNNからプロパティ記述子として識別特徴を抽出し、抽出した特徴を自己監督的に再構成する。 その結果,AUROCでは2.8-6.3,APでは3.3-7.6の改善により,最先端検出性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:56:12Z)
• 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)
• Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection [40.778313918994996]
  再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。 本研究では,画像の再構成を分割組立手順として解釈する。 我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-28T01:14:32Z)

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。