論文の概要: Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark

• arxiv url: http://arxiv.org/abs/2404.10760v1
• Date: Tue, 16 Apr 2024 17:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 15:45:38.710538
• Title: Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark
• Title（参考訳）: 汎用COCO-ADベンチマークに基づく多クラス異常検出のための学習特徴インバージョン
• Authors: Jiangning Zhang, Chengjie Wang, Xiangtai Li, Guanzhong Tian, Zhucun Xue, Yong Liu, Guansong Pang, Dacheng Tao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 101.23684938489413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) is often focused on detecting anomaly areas for industrial quality inspection and medical lesion examination. However, due to the specific scenario targets, the data scale for AD is relatively small, and evaluation metrics are still deficient compared to classic vision tasks, such as object detection and semantic segmentation. To fill these gaps, this work first constructs a large-scale and general-purpose COCO-AD dataset by extending COCO to the AD field. This enables fair evaluation and sustainable development for different methods on this challenging benchmark. Moreover, current metrics such as AU-ROC have nearly reached saturation on simple datasets, which prevents a comprehensive evaluation of different methods. Inspired by the metrics in the segmentation field, we further propose several more practical threshold-dependent AD-specific metrics, ie, m$F_1$$^{.2}_{.8}$, mAcc$^{.2}_{.8}$, mIoU$^{.2}_{.8}$, and mIoU-max. Motivated by GAN inversion's high-quality reconstruction capability, we propose a simple but more powerful InvAD framework to achieve high-quality feature reconstruction. Our method improves the effectiveness of reconstruction-based methods on popular MVTec AD, VisA, and our newly proposed COCO-AD datasets under a multi-class unsupervised setting, where only a single detection model is trained to detect anomalies from different classes. Extensive ablation experiments have demonstrated the effectiveness of each component of our InvAD. Full codes and models are available at https://github.com/zhangzjn/ader.
• Abstract（参考訳）: 異常検出(AD)は、産業品質検査や医学的病変検査のための異常領域の検出にしばしば焦点をあてる。 しかし、特定のシナリオのターゲットのため、ADのデータスケールは比較的小さく、評価指標は、オブジェクト検出やセマンティックセグメンテーションのような古典的なビジョンタスクと比較しても不十分である。 これらのギャップを埋めるために、この研究はまず、大規模で汎用的なCOCO-ADデータセットを構築し、COCOをADフィールドに拡張する。 これにより、この挑戦的なベンチマーク上で、さまざまなメソッドに対する公平な評価と持続可能な開発が可能になる。 さらに、AU-ROCのような現在のメトリクスは、単純なデータセットでほぼ飽和状態に達しており、異なるメソッドの包括的な評価を妨げている。 セグメンテーション分野のメトリクスに着想を得て、より実践的なしきい値依存のAD依存メトリクス、すなわち、m$F_1$$^{.2}_{.8}$、mAcc$^{.2}_{.8}$、mIoU$^{.2}_{.8}$、mIoU-maxを提案する。 GANインバージョンによる高品質な再構成機能により、我々は、高品質な特徴再構成を実現するための、シンプルで強力なInvADフレームワークを提案する。 提案手法は, 一般的なMVTec AD, VisA, および新たに提案したCOCO-ADデータセットに対する再構成手法の有効性を, 多クラス無教師設定下で改善する。 広範囲にわたるアブレーション実験は、我々のInvADの各成分の有効性を実証した。 完全なコードとモデルはhttps://github.com/zhangzjn/ader.comで入手できる。

関連論文リスト

• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• 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)
• Test Time Training for Industrial Anomaly Segmentation [15.973768095014906]
  産業品質管理にはAD&S(Anomaly Detection and Ranging)が不可欠である。 本稿では,セグメンテーション性能を向上させるためのテストタイムトレーニング戦略を提案する。 我々は,MVTec ADとMVTec 3D-ADの広範囲な実験と評価を通じて,ベースラインに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-04T18:31:24Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。