論文の概要: PatchProto Networks for Few-shot Visual Anomaly Classification

• arxiv url: http://arxiv.org/abs/2310.04688v1
• Date: Sat, 7 Oct 2023 05:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 16:37:54.926278
• Title: PatchProto Networks for Few-shot Visual Anomaly Classification
• Title（参考訳）: 数発視覚異常分類のためのpatchprotoネットワーク
• Authors: Jian Wang and Yue Zhuo
• Abstract要約: 視覚異常診断は、産業品質検査に広く応用されている欠陥製品を自動的に分析することができる。 異常サンプルは実際にはアクセスが難しいため、標準機械学習モデルのトレーニングを阻害する。 本稿では, トレーニング用サンプルの異常が極めて少ない, 現実的な問題について検討する。 数ショットの異常分類のためのPatchProtoネットワークを提案する。
• 参考スコア（独自算出の注目度）: 3.7199945817211315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The visual anomaly diagnosis can automatically analyze the defective products, which has been widely applied in industrial quality inspection. The anomaly classification can classify the defective products into different categories. However, the anomaly samples are hard to access in practice, which impedes the training of canonical machine learning models. This paper studies a practical issue that anomaly samples for training are extremely scarce, i.e., few-shot learning (FSL). Utilizing the sufficient normal samples, we propose PatchProto networks for few-shot anomaly classification. Different from classical FSL methods, PatchProto networks only extract CNN features of defective regions of interest, which serves as the prototypes for few-shot learning. Compared with basic few-shot classifier, the experiment results on MVTec-AD dataset show PatchProto networks significantly improve the few-shot anomaly classification accuracy.
• Abstract（参考訳）: 視覚異常診断は、産業品質検査に広く応用されている欠陥製品を自動的に分析することができる。 異常分類は欠陥積を異なるカテゴリに分類することができる。 しかし、異常なサンプルは実際にはアクセスが困難であり、これは標準の機械学習モデルのトレーニングを妨げる。 本稿では,訓練用サンプルの異常が極めて少ないこと,すなわち少数ショット学習(FSL)について検討する。 十分な正規サンプルを用いて,数発の異常分類のためのPatchProtoネットワークを提案する。 古典的なFSL法とは異なり、PatchProtoネットワークは関心の欠陥のある領域のCNN特徴のみを抽出し、これは数ショット学習のプロトタイプとして機能する。 基本的なショット分類器と比較して、MVTec-ADデータセットの実験結果は、PatchProtoネットワークが数ショットの異常分類精度を大幅に改善したことを示している。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Few-shot incremental learning in the context of solar cell quality inspection [0.0]
  本研究では,太陽電池品質検査における重量印字技術について検討した。 その結果、この手法により、少数のサンプルで欠陥クラスに関する知識をネットワークが拡張できることが判明した。
  論文  参考訳（メタデータ） (2022-07-01T23:52:07Z)
• 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)
• TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection with Few Samples [17.884998028369026]
  表面欠陥検出のための新しいトランスファーラーニング法TL-SDDを提案する。 我々は、共通の欠陥クラスから稀な欠陥クラスに知識を移すための2段階のトレーニングスキームを採用する。 基準法と比較すると, 稀な欠陥クラスに対して, 提案手法の性能は1.98%向上した。
  論文  参考訳（メタデータ） (2021-08-16T07:24:00Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks [2.7173993697663086]
  表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。 ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。 本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
  論文  参考訳（メタデータ） (2020-11-09T00:35:21Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• 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。