論文の概要: Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference

• arxiv url: http://arxiv.org/abs/2403.14213v1
• Date: Thu, 21 Mar 2024 08:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 15:07:37.453009
• Title: Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference
• Title（参考訳）: マルチクラス異常検出に向けて:クラス間干渉に対するクラス認識統一モデルの探索
• Authors: Xi Jiang, Ying Chen, Qiang Nie, Jianlin Liu, Yong Liu, Chengjie Wang, Feng Zheng,
• Abstract要約: 統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
• 参考スコア（独自算出の注目度）: 67.36605226797887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of high usability in single-class anomaly detection models, recent academic research has become concerned about the more complex multi-class anomaly detection. Although several papers have designed unified models for this task, they often overlook the utility of class labels, a potent tool for mitigating inter-class interference. To address this issue, we introduce a Multi-class Implicit Neural representation Transformer for unified Anomaly Detection (MINT-AD), which leverages the fine-grained category information in the training stage. By learning the multi-class distributions, the model generates class-aware query embeddings for the transformer decoder, mitigating inter-class interference within the reconstruction model. Utilizing such an implicit neural representation network, MINT-AD can project category and position information into a feature embedding space, further supervised by classification and prior probability loss functions. Experimental results on multiple datasets demonstrate that MINT-AD outperforms existing unified training models.
• Abstract（参考訳）: 単一クラス異常検出モデルにおける高いユーザビリティの文脈において、近年の学術研究は、より複雑な多クラス異常検出に関する関心が高まっている。 いくつかの論文は、このタスクの統一モデルを設計しているが、クラス間干渉を緩和する強力なツールであるクラスラベルの有用性をしばしば見落としている。 そこで本研究では,MINT-AD(MINT-AD)を用いたマルチクラスインプリシトニューラルネットワーク表現変換手法を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス認識クエリ埋め込みを生成し、再構成モデル内のクラス間干渉を緩和する。 このような暗黙的な神経表現ネットワークを利用することで、MINT-ADはカテゴリと位置情報を特徴埋め込み空間に投影し、さらに分類と事前確率損失関数によって監督することができる。 複数のデータセットの実験結果は、MINT-ADが既存の統合トレーニングモデルより優れていることを示している。

関連論文リスト

• ROADS: Robust Prompt-driven Multi-Class Anomaly Detection under Domain Shift [5.492174268132387]
  ROADSは階層的なクラス認識のプロンプト統合機構を使用して、異常なクラス間の干渉を軽減する。 MVTec-ADデータセットとVISAデータセットの実験は、ROADSが異常検出と局所化の両方において最先端の手法を上回ることを示した。
  論文  参考訳（メタデータ） (2024-11-25T02:34:40Z)
• Investigating Self-Supervised Methods for Label-Efficient Learning [27.029542823306866]
  低撮影能力のためのコントラスト学習、クラスタリング、マスク付き画像モデリングなど、さまざまな自己教師付きプレテキストタスクについて検討する。 マスク画像モデリングとクラスタリングの両方をプリテキストタスクとして含むフレームワークを導入する。 実規模データセット上でモデルをテストした場合,マルチクラス分類,マルチラベル分類,セマンティックセマンティックセグメンテーションにおける性能向上を示す。
  論文  参考訳（メタデータ） (2024-06-25T10:56:03Z)
• Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation [85.15324009378344]
  本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。 提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
  論文  参考訳（メタデータ） (2023-11-24T14:26:07Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• mixed attention auto encoder for multi-class industrial anomaly detection [2.8519768339207356]
  単一モデルを用いたマルチクラス異常検出を実現するために,MAAE (Mixed-attention Auto Encoder) を提案する。 異なるカテゴリーの分布パターンの多様さによる性能劣化を軽減するために,空間的注意とチャネル的注意を用いた。 MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-22T08:17:48Z)
• Multiclass classification for multidimensional functional data through deep neural networks [0.22843885788439797]
  革新的なデータマイニング分類ツールとして,新しい機能深層ニューラルネットワーク(mfDNN)を導入する。 線形単位(ReLU)アクティベーション機能を持つ疎いディープニューラルネットワークアーキテクチャを考察し,マルチクラス分類設定におけるクロスエントロピー損失を最小化する。 シミュレーションデータと異なるアプリケーションドメインのベンチマークデータセットにおけるmfDNNの性能を示す。
  論文  参考訳（メタデータ） (2023-05-22T16:56:01Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Multi-class Classification Based Anomaly Detection of Insider Activities [18.739091829480234]
  生成モデルと教師付き学習を組み合わせて,深層学習を用いたマルチクラス分類を行う手法を提案する。 generative adversarial network (gan) ベースのインサイダー検出モデルでは、条件付きジェネレーショナルadversarial network (cgan) を導入し、マイノリティクラスサンプルを豊かにする。 ベンチマークデータセットで実施した総合的な実験は、GAN派生合成データの導入の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T00:08:39Z)
• Adaptive Object Detection with Dual Multi-Label Prediction [78.69064917947624]
  本稿では,適応オブジェクト検出のための新しいエンド・ツー・エンドの非教師付き深部ドメイン適応モデルを提案する。 モデルはマルチラベル予測を利用して、各画像内の対象カテゴリ情報を明らかにする。 本稿では,オブジェクト検出を支援するための予測整合正則化機構を提案する。
  論文  参考訳（メタデータ） (2020-03-29T04:23:22Z)

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。