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

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Attention-Guided Perturbation for Unsupervised Image Anomaly Detection [39.48326211958042]
  本稿では,AGPNet (Atention-Guided Pertuation Network) という再構成フレームワークを提案する。 注意マスクで摂動ノイズを加えることを学び、正確に教師なしの異常検出を行う。 本フレームワークは,少数ショット,一クラス,複数クラスの設定を含む各種設定下での先行異常検出性能を得る。
  論文  参考訳（メタデータ） (2024-08-14T12:12:43Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
  DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
  論文  参考訳（メタデータ） (2024-04-01T18:59:13Z)
• 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)
• 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)
• 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)
• 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。