論文の概要: Ano-SuPs: Multi-size anomaly detection for manufactured products by identifying suspected patches

• arxiv url: http://arxiv.org/abs/2309.11120v1
• Date: Wed, 20 Sep 2023 08:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 13:09:04.156995
• Title: Ano-SuPs: Multi-size anomaly detection for manufactured products by identifying suspected patches
• Title（参考訳）: ano-sups: 疑似パッチ同定による製造製品の多サイズ異常検出
• Authors: Hao Xu, Juan Du and Andi Wang
• Abstract要約: 画像背景と様々な異常パターンの複雑さは、既存の行列分解法に新たな課題をもたらす。 本稿では,疑わしいパッチを同定して異常を検出する2段階戦略異常検出手法を提案する。
• 参考スコア（独自算出の注目度）: 7.3953256340316385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-based systems have gained popularity owing to their capacity to provide rich manufacturing status information, low implementation costs and high acquisition rates. However, the complexity of the image background and various anomaly patterns pose new challenges to existing matrix decomposition methods, which are inadequate for modeling requirements. Moreover, the uncertainty of the anomaly can cause anomaly contamination problems, making the designed model and method highly susceptible to external disturbances. To address these challenges, we propose a two-stage strategy anomaly detection method that detects anomalies by identifying suspected patches (Ano-SuPs). Specifically, we propose to detect the patches with anomalies by reconstructing the input image twice: the first step is to obtain a set of normal patches by removing those suspected patches, and the second step is to use those normal patches to refine the identification of the patches with anomalies. To demonstrate its effectiveness, we evaluate the proposed method systematically through simulation experiments and case studies. We further identified the key parameters and designed steps that impact the model's performance and efficiency.
• Abstract（参考訳）: 画像ベースのシステムは、製造状況の豊富な情報提供能力、実装コストの低減、高い取得率によって人気を博している。 しかし、画像背景と様々な異常パターンの複雑さは、モデリング要件に不適切な既存の行列分解法に新たな課題をもたらす。 さらに、異常の不確実性は異常汚染の原因となり、設計されたモデルと方法が外乱の影響を受けやすい。 そこで本研究では, 疑似パッチ(ano-sups)を同定して異常を検出する2段階戦略異常検出法を提案する。 具体的には、入力画像を2回再構成して異常パッチを検出することを提案する。第1ステップは、疑わしいパッチを除去して正常パッチの集合を取得することであり、第2ステップは、それらの正常パッチを使用して異常パッチの識別を洗練することである。 本手法の有効性を示すため,シミュレーション実験および事例研究を通じて提案手法を体系的に評価した。 モデルの性能と効率に影響を及ぼす重要なパラメータと設計ステップをさらに特定した。

関連論文リスト

• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• DualAnoDiff: Dual-Interrelated Diffusion Model for Few-Shot Anomaly Image Generation [40.257604426546216]
  製造業における異常検査の性能は異常データの不足によって制約される。 既存の異常発生法は、生成した異常の多様性が限られている。 本稿では,新しい拡散型少数ショット画像生成モデルであるDualAnoDiffを提案する。
  論文  参考訳（メタデータ） (2024-08-24T08:09:32Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• 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)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• 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)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)

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。