論文の概要: Excision And Recovery: Visual Defect Obfuscation Based Self-Supervised
Anomaly Detection Strategy
- arxiv url: http://arxiv.org/abs/2310.04010v2
- Date: Fri, 10 Nov 2023 00:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 17:41:44.930947
- Title: Excision And Recovery: Visual Defect Obfuscation Based Self-Supervised
Anomaly Detection Strategy
- Title(参考訳): 難読化と回復: 視覚障害難読化に基づく自己教師付き異常検出戦略
- Authors: YeongHyeon Park, Sungho Kang, Myung Jin Kim, Yeonho Lee, Hyeong Seok
Kim, Juneho Yi
- Abstract要約: エキシジョン・アンド・リカバリ(EAR)と呼ばれる新しいリコンストラクション・バイ・インペインティング手法を提案する。
EARは、ImageNetで事前訓練されたDINO-ViTとヒント提供のための視覚的難読化に基づいて、単一の決定論的マスキングを特徴としている。
提案手法は,ニューラルネットワーク構造の変化を伴わずに,高い異常検出性能を実現する。
- 参考スコア(独自算出の注目度): 1.0358639819750703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to scarcity of anomaly situations in the early manufacturing stage, an
unsupervised anomaly detection (UAD) approach is widely adopted which only uses
normal samples for training. This approach is based on the assumption that the
trained UAD model will accurately reconstruct normal patterns but struggles
with unseen anomalous patterns. To enhance the UAD performance,
reconstruction-by-inpainting based methods have recently been investigated,
especially on the masking strategy of suspected defective regions. However,
there are still issues to overcome: 1) time-consuming inference due to multiple
masking, 2) output inconsistency by random masking strategy, and 3) inaccurate
reconstruction of normal patterns when the masked area is large. Motivated by
this, we propose a novel reconstruction-by-inpainting method, dubbed Excision
And Recovery (EAR), that features single deterministic masking based on the
ImageNet pre-trained DINO-ViT and visual obfuscation for hint-providing.
Experimental results on the MVTec AD dataset show that deterministic masking by
pre-trained attention effectively cuts out suspected defective regions and
resolve the aforementioned issues 1 and 2. Also, hint-providing by mosaicing
proves to enhance the UAD performance than emptying those regions by binary
masking, thereby overcomes issue 3. Our approach achieves a high UAD
performance without any change of the neural network structure. Thus, we
suggest that EAR be adopted in various manufacturing industries as a
practically deployable solution.
- Abstract(参考訳): 早期製造段階における異常状況の欠如により,非教師付き異常検出(UAD)アプローチが広く採用されており,通常のサンプルのみをトレーニングに用いている。
このアプローチは、訓練されたuadモデルが正常なパターンを正確に再構成するが、目に見えない異常なパターンに苦しむという仮定に基づいている。
UAD性能を高めるため,近年,修復・塗り替え方式が研究され,特に障害領域のマスキング戦略について検討されている。
しかし、克服すべき問題がまだ残っている。
1)多重マスキングによる時間的推測
2)ランダムマスキング戦略による出力不整合、及び
3) マスキング面積が大きい場合の正常なパターンの正確な再構成。
そこで本研究では,imagenet で事前学習した dino-vit に基づく単一決定論的マスキングと,ヒント提示のための視覚的難読化を特徴とする,新たな復元・修復法を提案する。
MVTec ADデータセットの実験結果から,事前学習した注意による決定論的マスキングは,疑わしい障害領域を効果的に排除し,上記の課題1と解決することを示した。
また、モザイクによるヒント提供は、これらの領域を二分マスクで空にするよりもUAD性能を高めることが証明され、課題を克服する。
提案手法は,ニューラルネットワーク構造の変化を伴わずに高いUAD性能を実現する。
そこで本研究では, EARを実用化可能なソリューションとして, 様々な製造業に採用することを提案する。
関連論文リスト
- 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) - Produce Once, Utilize Twice for Anomaly Detection [6.501323305130114]
我々は、再構成ネットワークにおける識別情報電位を再利用することにより、精度と効率を両立させるPOUTAを導出する。
POUTAは、特別な設計をせずに、最先端の数発の異常検出方法よりも優れた性能を実現している。
論文 参考訳(メタデータ) (2023-12-20T10:49:49Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
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) - Exploring the Relationship between Samples and Masks for Robust Defect
Localization [1.90365714903665]
本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。
欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。
その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
論文 参考訳(メタデータ) (2023-06-19T06:41:19Z) - 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) - Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly
Detection [8.737589725372398]
PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。
本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。
我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
論文 参考訳(メタデータ) (2023-03-15T08:54:20Z) - 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) - Self-Supervised Masking for Unsupervised Anomaly Detection and
Localization [22.671913403500728]
本研究では,ランダムマスキングと復元による自己教師あり学習手法を提案し,SSM(Self-Supervised Masking)と名づけた。
SSMは、塗布ネットワークのトレーニングを強化するだけでなく、推測時のマスク予測の効率を大幅に向上させる。
推論における異常検出と局所化の効率と有効性を改善するために,新しいプログレッシブマスク改良手法を提案する。
論文 参考訳(メタデータ) (2022-05-13T11:42:06Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳(メタデータ) (2021-11-17T13:30:31Z)
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。