論文の概要: Continuous Memory Representation for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2402.18293v3
• Date: Wed, 24 Jul 2024 04:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 19:10:54.908123
• Title: Continuous Memory Representation for Anomaly Detection
• Title（参考訳）: 異常検出のための連続記憶表現
• Authors: Joo Chan Lee, Taejune Kim, Eunbyung Park, Simon S. Woo, Jong Hwan Ko,
• Abstract要約: CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 24.58611060347548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There have been significant advancements in anomaly detection in an unsupervised manner, where only normal images are available for training. Several recent methods aim to detect anomalies based on a memory, comparing or reconstructing the input with directly stored normal features (or trained features with normal images). However, such memory-based approaches operate on a discrete feature space implemented by the nearest neighbor or attention mechanism, suffering from poor generalization or an identity shortcut issue outputting the same as input, respectively. Furthermore, the majority of existing methods are designed to detect single-class anomalies, resulting in unsatisfactory performance when presented with multiple classes of objects. To tackle all of the above challenges, we propose CRAD, a novel anomaly detection method for representing normal features within a "continuous" memory, enabled by transforming spatial features into coordinates and mapping them to continuous grids. Furthermore, we carefully design the grids tailored for anomaly detection, representing both local and global normal features and fusing them effectively. Our extensive experiments demonstrate that CRAD successfully generalizes the normal features and mitigates the identity shortcut, furthermore, CRAD effectively handles diverse classes in a single model thanks to the high-granularity continuous representation. In an evaluation using the MVTec AD dataset, CRAD significantly outperforms the previous state-of-the-art method by reducing 65.0% of the error for multi-class unified anomaly detection. The project page is available at https://tae-mo.github.io/crad/.
• Abstract（参考訳）: 教師なしの方法での異常検出には大きな進歩があり、通常の画像のみをトレーニングに利用することができる。 いくつかの最近の手法は、メモリに基づいて異常を検出し、入力を直接記憶された通常の特徴(または通常の画像で訓練された特徴)と比較または再構成することを目的としている。 しかし、そのようなメモリベースのアプローチは、近接する隣人や注意機構によって実装された離散的な特徴空間で動作し、それぞれ入力として出力される一般化の貧弱さやアイデンティティショートカットの問題に悩まされている。 さらに,既存手法の大部分は単一クラスの異常を検出するように設計されており,複数のオブジェクトのクラスが提示された場合,満足のいく性能が得られない。 これらの課題に対処するために,空間的特徴を座標に変換し,連続格子にマッピングすることで,「連続的」メモリ内の通常の特徴を表現する新しい異常検出手法であるCRADを提案する。 さらに,異常検出に適したグリッドを設計し,局所的特徴と大域的特徴の両方を表現し,効果的に融合させる。 我々は, CRADが通常の特徴を一般化し, アイデンティティショートカットを緩和し, さらに, 高粒度連続表現により, 単一モデルの多様なクラスを効果的に扱えることを示した。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。 プロジェクトページはhttps://tae-mo.github.io/crad/.com/で公開されている。

関連論文リスト

• Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• 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)
• UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly Detection [6.260747047974035]
  We present UniFormaly, a universal and powerful anomaly detection framework。 我々は,オンラインエンコーダ方式の準最適問題を指摘することによって,オフ・ザ・シェルフアプローチの必要性を強調した。 UniFormalyは様々なタスクやデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2023-07-24T06:04:12Z)
• 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)
• Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
  本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。 できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。 最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T02:39:03Z)
• 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)
• MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection [2.2276675054266395]
  画像の異常は、カーペットの上の小さな穴から大きな汚れまで、様々なスケールで発生する。 広く使われている異常検出方法の1つであるスパースコーディング(sparse coding)は、画像のスパース表現に使用されるパッチサイズから外れた異常を扱う際に問題となる。 本稿では,マルチスケール機能をスパース符号化に取り入れ,異常検出の性能を向上させることを提案する。
  論文  参考訳（メタデータ） (2021-04-09T10:20:34Z)
• 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)
• Memory Augmented Generative Adversarial Networks for Anomaly Detection [12.341523221155708]
  メモリAugmented Generative Adrial Networks (MEMGAN) は、エンコーディングと生成の両方のためにメモリモジュールと相互作用する。 我々のアルゴリズムは、ほとんどのテキストエンコードされた正規データは、メモリユニットの凸内にあるが、異常データは外部から分離されている。 MEMGANのデコードメモリユニットは、従来の方法よりも解釈可能であり、また、メモリメカニズムの有効性を示す。
  論文  参考訳（メタデータ） (2020-02-07T08:46:26Z)

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。