論文の概要: Attention Modules Improve Modern Image-Level Anomaly Detection: A
DifferNet Case Study
- arxiv url: http://arxiv.org/abs/2401.08686v1
- Date: Sat, 13 Jan 2024 03:09:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 18:41:43.648097
- Title: Attention Modules Improve Modern Image-Level Anomaly Detection: A
DifferNet Case Study
- Title（参考訳）: 注意モジュールによる画像レベル異常検出の改善: DifferNet ケーススタディ
- Authors: Andr\'e Luiz B. Vieira e Silva, Francisco Sim\~oes, Danny Kowerko,
Tobias Schlosser, Felipe Battisti, Veronica Teichrieb
- Abstract要約: 本稿では,SENet と CBAM をバックボーン - AttentDifferNet として活用した DifferNet ベースのソリューションを提案する。
現状と比較すると, AttentDifferNetは, 定量的および定性的な評価とともに, 測定結果の改善を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 2.2942964892621807
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Within (semi-)automated visual inspection, learning-based approaches for
assessing visual defects, including deep neural networks, enable the processing
of otherwise small defect patterns in pixel size on high-resolution imagery.
The emergence of these often rarely occurring defect patterns explains the
general need for labeled data corpora. To not only alleviate this issue but to
furthermore advance the current state of the art in unsupervised visual
inspection, this contribution proposes a DifferNet-based solution enhanced with
attention modules utilizing SENet and CBAM as backbone - AttentDifferNet - to
improve the detection and classification capabilities on three different visual
inspection and anomaly detection datasets: MVTec AD, InsPLAD-fault, and
Semiconductor Wafer. In comparison to the current state of the art, it is shown
that AttentDifferNet achieves improved results, which are, in turn, highlighted
throughout our quantitative as well as qualitative evaluation, indicated by a
general improvement in AUC of 94.34 vs. 92.46, 96.67 vs. 94.69, and 90.20 vs.
88.74%. As our variants to AttentDifferNet show great prospects in the context
of currently investigated approaches, a baseline is formulated, emphasizing the
importance of attention for anomaly detection.
- Abstract（参考訳）: 半自動視覚検査の中で、ディープラーニングを含む視覚的欠陥を評価する学習ベースのアプローチは、高解像度画像上でピクセルサイズの小さな欠陥パターンを処理可能にする。
これらまれに発生する欠陥パターンの出現は、ラベル付きデータコーパスの一般的な必要性を説明する。
このコントリビューションは、この問題を緩和するだけでなく、教師なしビジュアルインスペクションにおける技術の現状をさらに前進させるため、SENetとCBAMをバックボーン - AttentDifferNetとして活用した注目モジュールを備えたDifferNetベースのソリューションを提案し、MVTec AD、InsPLAD-fault、Sciron Waferの3つの異なるビジュアルインスペクションおよび異常検出データセットにおける検出と分類機能を改善する。
AUCの94.34対92.46、96.67対94.69、90.20対88.74%の総合的な改善が示され、AttentDifferNetは我々の量的および質的評価において改善された結果を達成することが示されている。
attentdiffernetに対する我々の変異は、現在研究されているアプローチの文脈において大きな展望を示しており、ベースラインが定式化されており、異常検出における注意の重要性を強調している。
関連論文リスト
- 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) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - 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) - SCL-VI: Self-supervised Context Learning for Visual Inspection of
Industrial Defects [4.487908181569429]
本稿では,有名なジグソーパズルに取り組むことで,最適なエンコーダを導出する自己教師型学習アルゴリズムを提案する。
提案手法では, 対象画像を9つのパッチに分割し, エンコーダに2つのパッチ間の相対的な位置関係を予測して, リッチなセマンティクスを抽出する。
論文 参考訳（メタデータ） (2023-11-11T08:01:40Z) - Attention Modules Improve Image-Level Anomaly Detection for Industrial
Inspection: A DifferNet Case Study [2.2942964892621807]
本稿では注意モジュールを付加したDifferNetベースのソリューションを提案する。
産業検査用の3つの視覚異常検出データセットにおける画像レベルの検出と分類機能を改善する。
評価の結果,全AUROCでは,DifferNetに比べて平均1.77+0.25ポイントの改善が見られた。
論文 参考訳（メタデータ） (2023-11-05T19:48:50Z) - ORA3D: Overlap Region Aware Multi-view 3D Object Detection [11.58746596768273]
現在の多視点3Dオブジェクト検出法は、しばしば重なり合う領域のオブジェクトを適切に検出できない。
本稿では,(1)弱深度スーパービジョンのステレオ異方性推定と(2)適応オーバーラップ領域判別器の2つの主要なモジュールを提案する。
提案手法は,現在の最先端モデル,すなわちDETR3DとBEVDetより優れている。
論文 参考訳（メタデータ） (2022-07-02T15:28:44Z) - LEA-Net: Layer-wise External Attention Network for Efficient Color
Anomaly Detection [0.0]
本稿では,画像異常検出のためのレイヤワイド外部注意ネットワーク(LEA-Net)を提案する。
我々の戦略は次のとおりである: (i) 異常に関する事前知識は、通常のインスタンスの教師なし学習によって生成される異常マップとして表現される; (ii) 異常マップは、外部ネットワークによって注意マップに変換される; (iii) 注意マップは、異常検出ネットワークの中間層に組み込まれる。
論文 参考訳（メタデータ） (2021-09-12T11:38:04Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z)
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。