論文の概要: PUAD: Frustratingly Simple Method for Robust Anomaly Detection
- arxiv url: http://arxiv.org/abs/2402.15143v1
- Date: Fri, 23 Feb 2024 06:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 15:31:55.504152
- Title: PUAD: Frustratingly Simple Method for Robust Anomaly Detection
- Title（参考訳）: puad:ロバスト異常検出のためのフラストレーションに簡素な方法
- Authors: Shota Sugawara, Ryuji Imamura
- Abstract要約: 対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。
本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。
本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing an accurate and fast anomaly detection model is an important task
in real-time computer vision applications. There has been much research to
develop a single model that detects either structural or logical anomalies,
which are inherently distinct. The majority of the existing approaches
implicitly assume that the anomaly can be represented by identifying the
anomalous location. However, we argue that logical anomalies, such as the wrong
number of objects, can not be well-represented by the spatial feature maps and
require an alternative approach. In addition, we focused on the possibility of
detecting logical anomalies by using an out-of-distribution detection approach
on the feature space, which aggregates the spatial information of the feature
map. As a demonstration, we propose a method that incorporates a simple
out-of-distribution detection method on the feature space against
state-of-the-art reconstruction-based approaches. Despite the simplicity of our
proposal, our method PUAD (Picturable and Unpicturable Anomaly Detection)
achieves state-of-the-art performance on the MVTec LOCO AD dataset.
- Abstract（参考訳）: リアルタイムコンピュータビジョンアプリケーションでは,正確で高速な異常検出モデルの開発が重要な課題である。
構造的または論理的異常を検出する単一のモデルを開発するための多くの研究がなされている。
既存のアプローチの大半は、異常な位置を特定することで異常を表現できると暗黙的に仮定している。
しかし,対象物の誤数などの論理的異常は空間的特徴写像によってうまく表現できず,代替的なアプローチが要求される。
さらに,特徴空間上の分布外検出手法を用いて,特徴マップの空間情報を集約することで,論理異常を検出する可能性に着目した。
実演として, 特徴空間に簡単な分布検出手法を組み込んだ, 最先端の再構築手法を提案する。
提案手法の単純さにもかかわらず,提案手法のPUAD(Picturable and Unpicturable Anomaly Detection)はMVTec LOCO ADデータセットの最先端性能を実現する。
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) - 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) - Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。
具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。
生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
論文 参考訳（メタデータ） (2022-11-24T13:03:20Z) - FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。
本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。
高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
論文 参考訳（メタデータ） (2022-11-23T01:03:20Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。
CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。
異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
論文 参考訳（メタデータ） (2022-06-29T03:30:51Z) - 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) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳（メタデータ） (2022-03-07T19:28:39Z) - 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) - DR{\AE}M -- A discriminatively trained reconstruction embedding for
surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。
DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。
挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2021-08-17T13:17:29Z) - A Transfer Learning Framework for Anomaly Detection Using Model of
Normality [2.9685635948299995]
畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。
モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。
提案したしきい値設定により,大幅な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-11-12T05:26:32Z)
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。