論文の概要: RealNet: A Feature Selection Network with Realistic Synthetic Anomaly
for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2403.05897v1
- Date: Sat, 9 Mar 2024 12:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 11:52:47.980150
- Title: RealNet: A Feature Selection Network with Realistic Synthetic Anomaly
for Anomaly Detection
- Title(参考訳): RealNet: 異常検出のためのリアルな合成異常を含む特徴選択ネットワーク
- Authors: Ximiao Zhang, Min Xu, and Xiuzhuang Zhou
- Abstract要約: 本稿では,リアルな合成異常と適応的な特徴選択を備えた特徴再構成ネットワークであるRealNetを紹介する。
我々は、異常認識特徴選択(AFS)と再構成残像選択(RRS)を開発する。
その結果,現在の最先端手法と比較して,イメージAUROCとPixelAUROCの両面で有意な改善が見られた。
- 参考スコア(独自算出の注目度): 7.626097310990373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised feature reconstruction methods have shown promising advances
in industrial image anomaly detection and localization. Despite this progress,
these methods still face challenges in synthesizing realistic and diverse
anomaly samples, as well as addressing the feature redundancy and pre-training
bias of pre-trained feature. In this work, we introduce RealNet, a feature
reconstruction network with realistic synthetic anomaly and adaptive feature
selection. It is incorporated with three key innovations: First, we propose
Strength-controllable Diffusion Anomaly Synthesis (SDAS), a diffusion
process-based synthesis strategy capable of generating samples with varying
anomaly strengths that mimic the distribution of real anomalous samples.
Second, we develop Anomaly-aware Features Selection (AFS), a method for
selecting representative and discriminative pre-trained feature subsets to
improve anomaly detection performance while controlling computational costs.
Third, we introduce Reconstruction Residuals Selection (RRS), a strategy that
adaptively selects discriminative residuals for comprehensive identification of
anomalous regions across multiple levels of granularity. We assess RealNet on
four benchmark datasets, and our results demonstrate significant improvements
in both Image AUROC and Pixel AUROC compared to the current state-o-the-art
methods. The code, data, and models are available at
https://github.com/cnulab/RealNet.
- Abstract(参考訳): 自己監督型特徴再構成法は, 産業画像の異常検出と局所化において有望な進歩を示した。
このような進歩にもかかわらず、これらの手法は、現実的で多様な異常サンプルを合成し、特徴の冗長性と事前訓練された特徴のバイアスに対処する上で、依然として課題に直面している。
本稿では,現実的な合成異常と適応的特徴選択を備えた機能再構成ネットワークであるrealnetを紹介する。
まず, 強度制御可能な拡散異常合成 (sdas) を提案し, 実異常の分布を模倣する様々な異常強度を持つ試料を生成できる拡散過程に基づく合成戦略を提案する。
第2に,anomaly-aware features selection (afs) を開発した。anomaly-aware features selection (afs) は,計算コストを制御しながら異常検出性能を向上させるために,代表的および識別的事前学習された特徴サブセットを選択する手法である。
第3に,複数レベルの粒度の異常領域を包括的に同定するための識別残差を適応的に選択する手法であるRestruction Residuals Selection(RRS)を導入する。
我々は4つのベンチマークデータセット上でRealNetを評価し、その結果、現在の最先端手法と比較して、Image AUROCとPixel AUROCに大きな改善が見られた。
コード、データ、モデルはhttps://github.com/cnulab/realnetで入手できる。
関連論文リスト
- Generating on Generated: An Approach Towards Self-Evolving Diffusion Models [58.05857658085845]
再帰的自己改善(Recursive Self-Improvement、RSI)は、インテリジェンスシステムがその能力を自律的に改善することを可能にする。
本稿では、テキスト・画像拡散モデルにおけるRSIの適用について検討し、合成データによるトレーニング崩壊の課題に対処する。
論文 参考訳(メタデータ) (2025-02-14T07:41:47Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳(メタデータ) (2024-12-11T22:12:21Z) - Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。
現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。
拡散に基づく階層的意味再構成手法を提案する。
論文 参考訳(メタデータ) (2024-11-16T04:54:07Z) - 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) - Semi-supervised Anomaly Detection via Adaptive Reinforcement Learning-Enabled Method with Causal Inference for Sensor Signals [15.249261198557218]
センサ信号の半教師付き異常検出は、スマート製造におけるシステムの信頼性確保に不可欠である。
本稿では,三重補足型因果強化学習モデル(Tri-CRLAD)を革新的に構築する。
7つのセンサ信号データセットに対する実験結果から、Tri-CRLADは9つの最先端のベースライン法より優れていることが示された。
論文 参考訳(メタデータ) (2024-05-11T06:10:05Z) - 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) - Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift [12.770658031721435]
本稿では,学習前のニューラル回帰モデルの最後の層の重みを適応させて,異なる分布から得られる入力データを改善する手法を提案する。
本稿では,この軽量なスペクトル適応手法により,合成および実世界のデータセットの分布外性能が向上することを示す。
論文 参考訳(メタデータ) (2023-12-29T04:15:58Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳(メタデータ) (2023-04-16T13:05:39Z) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳(メタデータ) (2022-07-22T10:05:36Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-02-24T11:35:28Z)
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。