論文の概要: Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2403.12580v1
• Date: Tue, 19 Mar 2024 09:44:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 14:43:03.101695
• Title: Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection
• Title（参考訳）: Real-IAD:Versatile Industrial Anomaly Detectionのベンチマークのための実世界のマルチビューデータセット
• Authors: Chengjie Wang, Wenbing Zhu, Bin-Bin Gao, Zhenye Gan, Jianning Zhang, Zhihao Gu, Shuguang Qian, Mingang Chen, Lizhuang Ma,
• Abstract要約: 大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。 30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
• 参考スコア（独自算出の注目度）: 46.495442380849894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection (IAD) has garnered significant attention and experienced rapid development. However, the recent development of IAD approach has encountered certain difficulties due to dataset limitations. On the one hand, most of the state-of-the-art methods have achieved saturation (over 99% in AUROC) on mainstream datasets such as MVTec, and the differences of methods cannot be well distinguished, leading to a significant gap between public datasets and actual application scenarios. On the other hand, the research on various new practical anomaly detection settings is limited by the scale of the dataset, posing a risk of overfitting in evaluation results. Therefore, we propose a large-scale, Real-world, and multi-view Industrial Anomaly Detection dataset, named Real-IAD, which contains 150K high-resolution images of 30 different objects, an order of magnitude larger than existing datasets. It has a larger range of defect area and ratio proportions, making it more challenging than previous datasets. To make the dataset closer to real application scenarios, we adopted a multi-view shooting method and proposed sample-level evaluation metrics. In addition, beyond the general unsupervised anomaly detection setting, we propose a new setting for Fully Unsupervised Industrial Anomaly Detection (FUIAD) based on the observation that the yield rate in industrial production is usually greater than 60%, which has more practical application value. Finally, we report the results of popular IAD methods on the Real-IAD dataset, providing a highly challenging benchmark to promote the development of the IAD field.
• Abstract（参考訳）: 産業的異常検出 (IAD) が注目され, 急速な発展を遂げている。 しかし、最近のIADアプローチの開発は、データセットの制限により、ある種の困難に直面している。 一方、最先端の手法のほとんどはMVTecのような主流データセット上で飽和(AUROCの99%以上)を達成しており、メソッドの違いは十分に区別できないため、パブリックデータセットと実際のアプリケーションシナリオの間には大きなギャップがある。 一方, 各種の実用的異常検出設定に関する研究は, データセットの規模によって制限されており, 評価結果に過度に適合するリスクが生じる。 そこで本研究では,30個の異なるオブジェクトの150Kの高分解能画像を含む大規模,実世界,多視点の産業異常検出データセットであるReal-IADを提案する。 欠陥領域と比率の幅が広いため、以前のデータセットよりも難しい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。 さらに, 一般の非監督的異常検出設定を超えて, 工業生産における収率が60%以上であり, 実用的価値が高いという観測に基づいて, 完全無監督産業異常検出(FUIAD)の新たな設定を提案する。 最後に、Real-IADデータセット上での一般的なIAD手法の結果を報告し、IADフィールドの開発を促進するための非常に難しいベンチマークを提供する。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Supervised Anomaly Detection for Complex Industrial Images [4.890533180388991]
  5000枚の画像からなる新規な実世界の産業データセットについて述べる。 また、(2)ベースの異常検出器(SegAD)についても紹介する。 SegADは、ローカル統計を計算するために、異常マップとセグメンテーションマップを使用する。 VADおよびVisAデータセット(+0.4%AUROC)におけるSegADの現状
  論文  参考訳（メタデータ） (2024-05-08T10:47:28Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
  マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。 Weakly Supervised Anomaly Detection (WSAD) が導入された。 本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
  論文  参考訳（メタデータ） (2024-02-06T07:57:13Z)
• 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)
• Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and Masked Multi-scale Reconstruction [2.921945366485149]
  産業品質検査の自動化には,産業異常検出(IAD)が不可欠である。 既存のIADデータセットは、データカテゴリの多様性に重点を置いている。 本稿では,2つのサブデータセットからなるエアロエンジンブレード異常検出(AeBAD)データセットを提案する。
  論文  参考訳（メタデータ） (2023-04-05T04:07:54Z)

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。