論文の概要: mixed attention auto encoder for multi-class industrial anomaly
detection
- arxiv url: http://arxiv.org/abs/2309.12700v1
- Date: Fri, 22 Sep 2023 08:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 15:19:29.418875
- Title: mixed attention auto encoder for multi-class industrial anomaly
detection
- Title(参考訳): 多種産業異常検出のための混合注意オートエンコーダ
- Authors: Jiangqi Liu, Feng Wang
- Abstract要約: 単一モデルを用いたマルチクラス異常検出を実現するために,MAAE (Mixed-attention Auto Encoder) を提案する。
異なるカテゴリーの分布パターンの多様さによる性能劣化を軽減するために,空間的注意とチャネル的注意を用いた。
MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
- 参考スコア(独自算出の注目度): 2.8519768339207356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing methods for unsupervised industrial anomaly detection train a
separate model for each object category. This kind of approach can easily
capture the category-specific feature distributions, but results in high
storage cost and low training efficiency. In this paper, we propose a unified
mixed-attention auto encoder (MAAE) to implement multi-class anomaly detection
with a single model. To alleviate the performance degradation due to the
diverse distribution patterns of different categories, we employ spatial
attentions and channel attentions to effectively capture the global category
information and model the feature distributions of multiple classes.
Furthermore, to simulate the realistic noises on features and preserve the
surface semantics of objects from different categories which are essential for
detecting the subtle anomalies, we propose an adaptive noise generator and a
multi-scale fusion module for the pre-trained features. MAAE delivers
remarkable performances on the benchmark dataset compared with the
state-of-the-art methods.
- Abstract(参考訳): 既存の産業異常検出手法のほとんどは、対象カテゴリーごとに個別のモデルを訓練している。
この種のアプローチは、カテゴリ固有の特徴分布を簡単にキャプチャできるが、高いストレージコストと低いトレーニング効率をもたらす。
本稿では,単一モデルを用いたマルチクラス異常検出を実現するために,MAAE(Mixed-attention Auto Encoder)を提案する。
異なるカテゴリの多様な分布パターンによる性能低下を緩和するために,空間的注意とチャネル的注意を用い,グローバルカテゴリ情報を効果的に捉え,複数のクラスの特徴分布をモデル化する。
さらに,特徴の現実的なノイズをシミュレートし,微妙な異常検出に必須なカテゴリの異なる物体の表面意味を保存すべく,事前学習した特徴に対する適応型雑音発生器とマルチスケール核融合モジュールを提案する。
MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
関連論文リスト
- Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳(メタデータ) (2023-11-24T14:26:07Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳(メタデータ) (2023-09-25T12:31:18Z) - LafitE: Latent Diffusion Model with Feature Editing for Unsupervised
Multi-class Anomaly Detection [12.596635603629725]
我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。
まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。
「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
論文 参考訳(メタデータ) (2023-07-16T14:41:22Z) - Robust Twin Parametric Margin Support Vector Machine for Multiclass
Classification [0.0]
マルチクラス分類の問題に対処するために,Twin Parametric-Margin Support Vector Machine (TPMSVM) モデルを提案する。
実世界のデータセットに対する予備計算実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-09T19:27:24Z) - Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly
Detection [8.136103644634348]
既存手法としては、ディープオートエンコーダ(DAE)、変分オートエンコーダ(VAE)、条件変分オートエンコーダ(CVAE)などがある。
階層型条件変分オートエンコーダ(HCVAE)と呼ばれる新しい手法を提案する。
この方法は、産業施設に関する利用可能な分類学的階層的知識を利用して、潜在空間の表現を洗練させる。
論文 参考訳(メタデータ) (2022-06-11T08:15:01Z) - Latent-Insensitive Autoencoders for Anomaly Detection and
Class-Incremental Learning [0.0]
我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。
本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
論文 参考訳(メタデータ) (2021-10-25T16:53:49Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-03-01T01:43:04Z) - 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) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳(メタデータ) (2020-07-17T15:41:37Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。