論文の概要: ReSynthDetect: A Fundus Anomaly Detection Network with Reconstruction
and Synthetic Features
- arxiv url: http://arxiv.org/abs/2312.16470v1
- Date: Wed, 27 Dec 2023 08:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 19:29:29.191407
- Title: ReSynthDetect: A Fundus Anomaly Detection Network with Reconstruction
and Synthetic Features
- Title(参考訳): resynthdetect: 再構成と合成機能を備えた眼底異常検出ネットワーク
- Authors: Jingqi Niu, Qinji Yu, Shiwen Dong, Zilong Wang, Kang Dang and Xiaowei
Ding
- Abstract要約: 本稿では,正常画像のモデリングのための再構成ネットワークと,基礎画像の外観に整合した合成異常を生成する異常生成器を提案する。
実験の結果,EyeQではAUROCが9%改善し,IDRiDではAUPRが17.1%改善した。
- 参考スコア(独自算出の注目度): 5.655822001453255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting anomalies in fundus images through unsupervised methods is a
challenging task due to the similarity between normal and abnormal tissues, as
well as their indistinct boundaries. The current methods have limitations in
accurately detecting subtle anomalies while avoiding false positives. To
address these challenges, we propose the ReSynthDetect network which utilizes a
reconstruction network for modeling normal images, and an anomaly generator
that produces synthetic anomalies consistent with the appearance of fundus
images. By combining the features of consistent anomaly generation and image
reconstruction, our method is suited for detecting fundus abnormalities. The
proposed approach has been extensively tested on benchmark datasets such as
EyeQ and IDRiD, demonstrating state-of-the-art performance in both image-level
and pixel-level anomaly detection. Our experiments indicate a substantial 9%
improvement in AUROC on EyeQ and a significant 17.1% improvement in AUPR on
IDRiD.
- Abstract(参考訳): 正常組織と異常組織との類似性、およびその不明瞭な境界により、教師なしの方法による根底画像の異常の検出は難しい課題である。
現在の手法では、偽陽性を避けながら微妙な異常を正確に検出する制限がある。
これらの課題に対処するために,正規画像のモデル化にレコンストラクションネットワークを利用するresynthdetect networkと,基底画像の出現と一致する合成異常を生成するアノマリージェネレータを提案する。
本手法は,一貫した異常発生と画像再構成の特徴を組み合わせることで,眼底異常の検出に適している。
提案手法はEyeQやIDRiDといったベンチマークデータセットで広くテストされており、画像レベルと画素レベルの異常検出の両方で最先端のパフォーマンスが実証されている。
実験の結果,EyeQではAUROCが9%改善し,IDRiDではAUPRが17.1%改善した。
関連論文リスト
- 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) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - 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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar
Imaging [11.12267144061017]
本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。
提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。
従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
論文 参考訳(メタデータ) (2022-10-28T10:22:29Z) - Dual-distribution discrepancy with self-supervised refinement for
anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。
再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。
本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文 参考訳(メタデータ) (2022-10-09T11:18:45Z) - Deep Autoencoders for Anomaly Detection in Textured Images using CW-SSIM [5.042611743157464]
複素ウェーブレット構造類似度(CW-SSIM)に基づく損失関数の適用により,この種の画像に対して優れた検出性能が得られることを示す。
既知の異常検出ベンチマーク実験により,この損失関数で訓練した単純なモデルにより,最先端の手法に匹敵する,あるいは優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2022-08-30T08:01:25Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Regularized Cycle Consistent Generative Adversarial Network for Anomaly
Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。
実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-01-18T03:35:05Z)
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。