論文の概要: Label-free Anomaly Detection in Aerial Agricultural Images with Masked Image Modeling
- arxiv url: http://arxiv.org/abs/2404.08931v1
- Date: Sat, 13 Apr 2024 08:49:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:03:29.221860
- Title: Label-free Anomaly Detection in Aerial Agricultural Images with Masked Image Modeling
- Title(参考訳): 仮面画像モデリングによる空中農業画像のラベルなし異常検出
- Authors: Sambal Shikhar, Anupam Sobti,
- Abstract要約: Masked Autoencoders (MAE)は、ラベルのない画像サンプルから意味のある正常な特徴を抽出する。
我々は,異常画素の再構成を効果的に最小化する異常抑制損失機構を用いる。
単一モデルは、Agri-Vision Challengeデータセット内のすべての異常カテゴリを一般化する。
- 参考スコア(独自算出の注目度): 0.46040036610482665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting various types of stresses (nutritional, water, nitrogen, etc.) in agricultural fields is critical for farmers to ensure maximum productivity. However, stresses show up in different shapes and sizes across different crop types and varieties. Hence, this is posed as an anomaly detection task in agricultural images. Accurate anomaly detection in agricultural UAV images is vital for early identification of field irregularities. Traditional supervised learning faces challenges in adapting to diverse anomalies, necessitating extensive annotated data. In this work, we overcome this limitation with self-supervised learning using a masked image modeling approach. Masked Autoencoders (MAE) extract meaningful normal features from unlabeled image samples which produces high reconstruction error for the abnormal pixels during reconstruction. To remove the need of using only ``normal" data while training, we use an anomaly suppression loss mechanism that effectively minimizes the reconstruction of anomalous pixels and allows the model to learn anomalous areas without explicitly separating ``normal" images for training. Evaluation on the Agriculture-Vision data challenge shows a mIOU score improvement in comparison to prior state of the art in unsupervised and self-supervised methods. A single model generalizes across all the anomaly categories in the Agri-Vision Challenge Dataset
- Abstract(参考訳): 農業分野における各種ストレス(栄養、水、窒素など)の検出は、農家にとって最大の生産性を確保することが重要である。
しかし、ストレスは作物の種類や品種によって異なる形や大きさで現れる。
したがって、これは農業画像における異常検出タスクとして位置づけられる。
農業用UAV画像における正確な異常検出は、フィールドの不規則性の早期発見に不可欠である。
従来の教師付き学習は、様々な異常に適応する上で課題に直面し、広範な注釈付きデータを必要とします。
本研究では,マスク付き画像モデリング手法を用いて,この制限を自己教師型学習で克服する。
Masked Autoencoders (MAE)は、画像サンプルから有意な正常な特徴を抽出し、再構成中の異常画素に対する高い再構成誤差を生成する。
トレーニング中に「正規」データのみを使用する必要をなくすために、異常画素の再構成を効果的に最小化し、トレーニング用に「正規」画像を明示的に分離することなく、異常領域を学習できる異常抑制損失機構を用いる。
農業ビジョンデータ課題の評価は、教師なし・自己監督的手法における先行技術と比較すると、mIOUスコアが改善したことを示している。
単一モデルによるAgri-Vision Challengeデータセットのすべての異常カテゴリの一般化
関連論文リスト
- Synthetic Data Generation for Anomaly Detection on Table Grapes [2.935752166220662]
果実栽培における病気や害虫の早期検出は、収量品質と植物の健康を維持するために重要である。
コンピュータビジョンとロボティクスは、このような問題を自動検出するためにますます採用されている。
この不足に対する解決策の1つは、合成された高品質な異常なサンプルの生成である。
論文 参考訳(メタデータ) (2024-12-17T14:29:12Z) - Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳(メタデータ) (2024-10-14T08:41:31Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - AMAE: Adaptation of Pre-Trained Masked Autoencoder for Dual-Distribution
Anomaly Detection in Chest X-Rays [17.91123470181453]
我々は、事前訓練されたマスク付きオートエンコーダ(MAE)の適応のための2段階アルゴリズムであるAMAEを提案する。
AMAEは、競合する自己監督型および二重分布異常検出法よりも一貫した性能向上をもたらす。
論文 参考訳(メタデータ) (2023-07-24T12:03:50Z) - Masked Transformer for image Anomaly Localization [14.455765147827345]
パッチマスキングを用いたビジョントランスフォーマーアーキテクチャに基づく画像異常検出のための新しいモデルを提案する。
マルチレゾリューションパッチとその集合埋め込みは,モデルの性能を大幅に向上させることを示す。
提案モデルはMVTecや頭部CTなどの一般的な異常検出データセットでテストされている。
論文 参考訳(メタデータ) (2022-10-27T15:30:48Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳(メタデータ) (2021-11-17T13:30:31Z) - 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) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳(メタデータ) (2021-03-05T01:56:58Z)
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。