論文の概要: CSE: Surface Anomaly Detection with Contrastively Selected Embedding
- arxiv url: http://arxiv.org/abs/2403.01859v1
- Date: Mon, 4 Mar 2024 09:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:28:18.390565
- Title: CSE: Surface Anomaly Detection with Contrastively Selected Embedding
- Title（参考訳）: CSE: 対照的に選択した埋め込みによる表面異常検出
- Authors: Simon Thomine and Hichem Snoussi
- Abstract要約: 本稿では,目標固有埋め込みに着目した新しい手法を導入することにより,事前学習した特徴に基づくアプローチを再検討する。
テクスチャの最も顕著な特徴を考察するために, 人工的に生成された欠陥サンプルと異常のないサンプルの両方を組み込んだ, コントラスト訓練法を応用した。
- 参考スコア（独自算出の注目度）: 4.287890602840307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting surface anomalies of industrial materials poses a significant
challenge within a myriad of industrial manufacturing processes. In recent
times, various methodologies have emerged, capitalizing on the advantages of
employing a network pre-trained on natural images for the extraction of
representative features. Subsequently, these features are subjected to
processing through a diverse range of techniques including memory banks,
normalizing flow, and knowledge distillation, which have exhibited exceptional
accuracy. This paper revisits approaches based on pre-trained features by
introducing a novel method centered on target-specific embedding. To capture
the most representative features of the texture under consideration, we employ
a variant of a contrastive training procedure that incorporates both
artificially generated defective samples and anomaly-free samples during
training. Exploiting the intrinsic properties of surfaces, we derived a
meaningful representation from the defect-free samples during training,
facilitating a straightforward yet effective calculation of anomaly scores. The
experiments conducted on the MVTEC AD and TILDA datasets demonstrate the
competitiveness of our approach compared to state-of-the-art methods.
- Abstract（参考訳）: 工業用材料の表面異常の検出は、無数の工業製造プロセスにおいて重大な課題となる。
近年,自然画像に事前学習したネットワークを利用した代表的特徴抽出の利点を活かして,様々な手法が出現している。
その後、これらの特徴はメモリバンク、正規化フロー、知識蒸留など様々な技術を通して処理され、極めて精度が高かった。
本稿では,ターゲット固有の埋め込みに着目した新しい手法を導入することで,事前学習した特徴に基づくアプローチを再考する。
テクスチャの最も顕著な特徴を考察するために, 人工的に生成された欠陥サンプルと異常のないサンプルの両方を組み込んだ, コントラスト訓練法を応用した。
表面の固有特性を活かし,訓練中の欠陥のないサンプルから有意義な表現を導出し,異常点の単純かつ効果的な計算を可能にした。
MVTEC ADおよびTILDAデータセットを用いて行った実験は、最先端の手法と比較して、我々のアプローチの競争力を示す。
関連論文リスト
- 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) - Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature
Representations [8.915958745269442]
異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。
ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。
本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
論文 参考訳（メタデータ） (2023-12-04T09:45:02Z) - 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) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - FABLE : Fabric Anomaly Detection Automation Process [4.243356707599485]
産業における教師なしの異常は、ハイパフォーマンスな産業自動化プロセスのための話題と足掛かりとなっている。
本稿では,工業布地質欠陥検出のための特異性学習プロセスによる自動化プロセスを提案する。
論文 参考訳（メタデータ） (2023-06-16T13:35:46Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - 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) - Real-centric Consistency Learning for Deepfake Detection [8.313889744011933]
両クラスの不変表現を学習することで深度検出問題に取り組む。
本稿では,潜在世代関連特徴を抽出するための,意味論的ペアリング手法を提案する。
特徴レベルでは、表現空間における自然面の中心に基づいて、潜在的な限界特徴をシミュレートする強正のマイニングと合成法を設計する。
論文 参考訳（メタデータ） (2022-05-15T07:01:28Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳（メタデータ） (2021-03-24T07:26:07Z) - Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet
Networks [2.7173993697663086]
表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。
ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。
本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
論文 参考訳（メタデータ） (2020-11-09T00:35:21Z)
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。