論文の概要: Learning Unified Reference Representation for Unsupervised Multi-class Anomaly Detection

• arxiv url: http://arxiv.org/abs/2403.11561v1
• Date: Mon, 18 Mar 2024 08:29:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 16:07:12.746908
• Title: Learning Unified Reference Representation for Unsupervised Multi-class Anomaly Detection
• Title（参考訳）: 教師なしマルチクラス異常検出のための統一参照表現の学習
• Authors: Liren He, Zhengkai Jiang, Jinlong Peng, Liang Liu, Qiangang Du, Xiaobin Hu, Wenbing Zhu, Mingmin Chi, Yabiao Wang, Chengjie Wang,
• Abstract要約: RLRと呼ばれる新しい特徴再構成に基づく異常検出フレームワークを提案する。 RLRは学習可能な参照表現を使用して、モデルに正常な特徴パターンを明示的に学習するように強制する。 15カテゴリのMVTec-ADデータセットと12カテゴリのVisAデータセットによるRLRの評価は、最先端の手法と比較して優れた性能を示している。
• 参考スコア（独自算出の注目度）: 38.07468257801517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of multi-class anomaly detection, reconstruction-based methods derived from single-class anomaly detection face the well-known challenge of ``learning shortcuts'', wherein the model fails to learn the patterns of normal samples as it should, opting instead for shortcuts such as identity mapping or artificial noise elimination. Consequently, the model becomes unable to reconstruct genuine anomalies as normal instances, resulting in a failure of anomaly detection. To counter this issue, we present a novel unified feature reconstruction-based anomaly detection framework termed RLR (Reconstruct features from a Learnable Reference representation). Unlike previous methods, RLR utilizes learnable reference representations to compel the model to learn normal feature patterns explicitly, thereby prevents the model from succumbing to the ``learning shortcuts'' issue. Additionally, RLR incorporates locality constraints into the learnable reference to facilitate more effective normal pattern capture and utilizes a masked learnable key attention mechanism to enhance robustness. Evaluation of RLR on the 15-category MVTec-AD dataset and the 12-category VisA dataset shows superior performance compared to state-of-the-art methods under the unified setting. The code of RLR will be publicly available.
• Abstract（参考訳）: 多クラス異常検出の分野では、単一クラス異常検出から導かれる再構成に基づく手法は、''ラーニングショートカット'というよく知られた課題に直面し、モデルが通常のサンプルのパターンを学習するのに失敗し、その代わりにアイデンティティマッピングや人工ノイズ除去などのショートカットを選択する。 結果として、モデルは通常のインスタンスとして真の異常を再構築することができなくなり、結果として異常検出が失敗する。 本稿では,RLR (Reconstruct features from a Learnable Reference representation) と呼ばれる新しい特徴再構成に基づく異常検出フレームワークを提案する。 従来の方法とは異なり、RLRは学習可能な参照表現を使用して、モデルに正常な特徴パターンを明示的に学習させる。 さらに、RLRは学習可能な参照に局所性制約を組み込んで、より効果的な正常なパターンキャプチャを容易にし、マスク付き学習可能なキーアテンション機構を使用して堅牢性を高める。 15カテゴリのMVTec-ADデータセットと12カテゴリのVisAデータセットによるRLRの評価は、統一された設定下での最先端手法と比較して優れた性能を示している。 RLRのコードは公開されます。

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)
• Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection [1.5999407512883508]
  本稿では,OC-SVMとDL残差関数を1つの合成対象に統一する新たな異常検出モデルを提案する。 両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。
  論文  参考訳（メタデータ） (2024-04-05T12:41:53Z)
• Visual Anomaly Detection Via Partition Memory Bank Module and Error Estimation [28.100204573591505]
  視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。 本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。 提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
  論文  参考訳（メタデータ） (2022-09-26T06:15:47Z)
• 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)
• Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection [40.778313918994996]
  再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。 本研究では,画像の再構成を分割組立手順として解釈する。 我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-28T01:14:32Z)
• 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)
• Interpreting Rate-Distortion of Variational Autoencoder and Using Model Uncertainty for Anomaly Detection [5.491655566898372]
  表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。 本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。 ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
  論文  参考訳（メタデータ） (2020-05-05T00:03:48Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。