論文の概要: Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2312.15911v1
- Date: Tue, 26 Dec 2023 07:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:45:17.710477
- Title: Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection
- Title(参考訳): 教師なし異常検出のための高密度コントラストパターンの生成と重み付け
- Authors: Songmin Dai, Yifan Wu, Xiaoqiang Li, Xiangyang Xue
- Abstract要約: 我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
- 参考スコア(独自算出の注目度): 59.34318192698142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent unsupervised anomaly detection methods often rely on feature
extractors pretrained with auxiliary datasets or on well-crafted
anomaly-simulated samples. However, this might limit their adaptability to an
increasing set of anomaly detection tasks due to the priors in the selection of
auxiliary datasets or the strategy of anomaly simulation. To tackle this
challenge, we first introduce a prior-less anomaly generation paradigm and
subsequently develop an innovative unsupervised anomaly detection framework
named GRAD, grounded in this paradigm. GRAD comprises three essential
components: (1) a diffusion model (PatchDiff) to generate contrastive patterns
by preserving the local structures while disregarding the global structures
present in normal images, (2) a self-supervised reweighting mechanism to handle
the challenge of long-tailed and unlabeled contrastive patterns generated by
PatchDiff, and (3) a lightweight patch-level detector to efficiently
distinguish the normal patterns and reweighted contrastive patterns. The
generation results of PatchDiff effectively expose various types of anomaly
patterns, e.g. structural and logical anomaly patterns. In addition, extensive
experiments on both MVTec AD and MVTec LOCO datasets also support the
aforementioned observation and demonstrate that GRAD achieves competitive
anomaly detection accuracy and superior inference speed.
- Abstract(参考訳): 最近の教師なし異常検出手法は、補助データセットで事前学習された特徴抽出器や、うまく作られた異常をシミュレートしたサンプルに依存することが多い。
しかし、これは補助データセットの選択の事前や異常シミュレーションの戦略により、より多くの異常検出タスクへの適応性を制限する可能性がある。
この課題に対処するために,我々はまず先行のない異常発生パラダイムを導入し,その後,このパラダイムを基盤とした革新的な非教師付き異常検出フレームワークであるGRADを開発した。
GRADは,(1)局所構造を保ちながら局所構造を保ちながらコントラストパターンを生成する拡散モデル(PatchDiff),(2)PatchDiffが生み出す長い尾とラベルのないコントラストパターンの課題に対処する自己監督的リウェイト機構,(3)通常のパターンとリウェイトされたコントラストパターンを効率的に識別する軽量パッチレベル検出器の3つの重要な構成要素から構成される。
PatchDiffの生成結果は、構造的および論理的異常パターンなど、様々な種類の異常パターンを効果的に露呈する。
さらに、MVTec ADとMVTec LOCOの両方のデータセットに対する広範な実験も上記の観測をサポートし、GRADが競合異常検出精度と推論速度の向上を達成することを示した。
関連論文リスト
- Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。
生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。
本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
論文 参考訳(メタデータ) (2024-07-09T08:02:46Z) - Weakly-supervised anomaly detection for multimodal data distributions [25.60381244912307]
Weakly-supervised Variational-mixture-based Anomaly Detector (WVAD)を提案する。
WVADはマルチモーダルデータセットで優れている。
3つの実世界のデータセットの実験結果は、WVADの優位性を示している。
論文 参考訳(メタデータ) (2024-06-13T14:14:27Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
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) - Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。
i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
論文 参考訳(メタデータ) (2023-11-26T03:31:43Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - One-Step Detection Paradigm for Hyperspectral Anomaly Detection via
Spectral Deviation Relationship Learning [17.590080772567678]
ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。
現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。
本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
論文 参考訳(メタデータ) (2023-03-22T06:41:09Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - 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)
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。