論文の概要: Subspace-Aware Feature Reconstruction for Unsupervised Anomaly
Localization
- arxiv url: http://arxiv.org/abs/2309.13904v1
- Date: Mon, 25 Sep 2023 06:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 16:51:28.782531
- Title: Subspace-Aware Feature Reconstruction for Unsupervised Anomaly
Localization
- Title(参考訳): 非教師付き異常局在に対する部分空間認識特徴再構成
- Authors: Katsuya Hotta, Chao Zhang, Yoshihiro Hagihara, Takuya Akashi
- Abstract要約: 監督されていない異常なローカライゼーションは工業生産において重要な役割を担っている。
本稿では,アノマリーローカライゼーションのためのサブスペース認識機能再構築フレームワークを提案する。
提案手法は,最先端手法と比較して,競合する異常なローカライゼーション性能を実現する。
- 参考スコア(独自算出の注目度): 5.085309164633571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised anomaly localization, which plays a critical role in industrial
manufacturing, is to identify anomalous regions that deviate from patterns
established exclusively from nominal samples. Recent mainstream methods focus
on approximating the target feature distribution by leveraging embeddings from
ImageNet models. However, a common issue in many anomaly localization methods
is the lack of adaptability of the feature approximations to specific targets.
Consequently, their ability to effectively identify anomalous regions relies
significantly on the data coverage provided by the finite resources in a memory
bank. In this paper, we propose a novel subspace-aware feature reconstruction
framework for anomaly localization. To achieve adaptive feature approximation,
our proposed method involves the reconstruction of the feature representation
through the self-expressive model designed to learn low-dimensional subspaces.
Importantly, the sparsity of the subspace representation contributes to
covering feature patterns from the same subspace with fewer resources, leading
to a reduction in the memory bank. Extensive experiments across three
industrial benchmark datasets demonstrate that our approach achieves
competitive anomaly localization performance compared to state-of-the-art
methods by adaptively reconstructing target features with a small number of
samples.
- Abstract(参考訳): 産業生産において重要な役割を担う非監督的異常局在は、名目標本からのみ確立されたパターンから逸脱する異常領域を特定することである。
最近の主流手法は、ImageNetモデルからの埋め込みを活用して、ターゲットの特徴分布を近似することに焦点を当てている。
しかし、多くの異常なローカライズ手法で共通する問題は、特定の目標に対する特徴近似の適応性の欠如である。
その結果、異常領域を効果的に識別する能力は、メモリバンク内の有限リソースが提供するデータカバレッジに大きく依存する。
本稿では,異常局所化のための新しいサブスペース認識機能再構築フレームワークを提案する。
適応的特徴近似を実現するために,低次元部分空間の学習を目的とした自己表現モデルを用いて特徴表現を再構成する手法を提案する。
重要なことに、サブスペース表現の空間性は、同じサブスペースから少ないリソースで特徴パターンをカバーすることに寄与し、メモリバンクが減少する。
3つの産業ベンチマークデータセットにわたる広範囲な実験により、少数のサンプルでターゲット特徴を適応的に再構成することで、最先端手法と比較して競合的異常局在化性能を達成できることが証明された。
関連論文リスト
- 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) - 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) - Noise-to-Norm Reconstruction for Industrial Anomaly Detection and
Localization [5.101905755052051]
異常検出は幅広い応用があり、特に工業品質検査において重要である。
再構成に基づく手法では, サンプルの位置差を考慮せずに, 再構成誤差を用いて異常を検出する。
本研究では, 異常領域の不変な再構成を回避するため, ノイズ・ツー・ノーム・パラダイムを用いた再構成手法を提案する。
論文 参考訳(メタデータ) (2023-07-06T08:06:48Z) - 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) - ARES: Locally Adaptive Reconstruction-based Anomaly Scoring [25.707159917988733]
本研究では, 異常スコアリング関数が, 正常サンプルの範囲にわたる復元誤差の自然な変動に適応しないことを示す。
本稿では,適応的再構成誤りに基づくスコーリング手法を提案する。
論文 参考訳(メタデータ) (2022-06-15T15:35:12Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳(メタデータ) (2022-02-14T16:42:16Z) - 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) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Robust Locality-Aware Regression for Labeled Data Classification [5.432221650286726]
本稿では,ロバスト局所性認識回帰(RLAR)という特徴抽出フレームワークを提案する。
本モデルでは,クラス間の平均差を使わずに,適応的に境界表現学習を行うために再ターゲット回帰を導入する。
外れ値の乱れを緩和し、過度な適合を防止するため、L2,1ノルムによる正規化項とともに回帰項と局所性を考慮した項を計測する。
論文 参考訳(メタデータ) (2020-06-15T11:36:59Z)
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。