論文の概要: Blind Localization and Clustering of Anomalies in Textures

• arxiv url: http://arxiv.org/abs/2404.12246v1
• Date: Thu, 18 Apr 2024 15:11:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 12:12:06.869562
• Title: Blind Localization and Clustering of Anomalies in Textures
• Title（参考訳）: 集合組織における異常のブラインド局在とクラスタリング
• Authors: Andrei-Timotei Ardelean, Tim Weyrich,
• Abstract要約: 画像中の異常検出と局所化は、コンピュータビジョンにおける成長分野である。 そこで本稿では,視覚障害者を対象とした画像のクラスタリング手法を提案する。 本稿では,視覚異常局所化とコントラスト学習を組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.6117257131764715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection and localization in images is a growing field in computer vision. In this area, a seemingly understudied problem is anomaly clustering, i.e., identifying and grouping different types of anomalies in a fully unsupervised manner. In this work, we propose a novel method for clustering anomalies in largely stationary images (textures) in a blind setting. That is, the input consists of normal and anomalous images without distinction and without labels. What contributes to the difficulty of the task is that anomalous regions are often small and may present only subtle changes in appearance, which can be easily overshadowed by the genuine variance in the texture. Moreover, each anomaly type may have a complex appearance distribution. We introduce a novel scheme for solving this task using a combination of blind anomaly localization and contrastive learning. By identifying the anomalous regions with high fidelity, we can restrict our focus to those regions of interest; then, contrastive learning is employed to increase the separability of different anomaly types and reduce the intra-class variation. Our experiments show that the proposed solution yields significantly better results compared to prior work, setting a new state of the art. Project page: https://reality.tf.fau.de/pub/ardelean2024blind.html.
• Abstract（参考訳）: 画像中の異常検出と局所化は、コンピュータビジョンにおける成長する分野である。 この領域では、一見未調査の問題は異常クラスタリング(つまり、完全に教師されていない方法で異なる種類の異常を特定してグループ化する)である。 本研究では,主に静止画像(テクスチャ)の異常をブラインド環境でクラスタリングする手法を提案する。 すなわち、入力は正規画像と異常画像から構成される。 この課題の難しさの要因は、しばしば異常領域は小さく、外観の微妙な変化しか起こらず、テクスチャの真のばらつきによって容易に覆い隠される可能性があることである。 さらに、各異常型は複雑な外観分布を持つことがある。 本稿では,視覚異常局所化とコントラスト学習を組み合わせた新しい手法を提案する。 異常領域を高い忠実度で識別することにより、関心領域に焦点を絞ることができ、異なる異常型の分離性を高め、クラス内変動を低減するために、対照的な学習が用いられる。 実験の結果,提案手法は先行研究よりも有意に優れた結果を示し,新たな最先端技術が確立された。 プロジェクトページ: https://reality.tf.fau.de/pub/ardelean2024blind.html

関連論文リスト

• On The Relationship between Visual Anomaly-free and Anomalous Representations [0.0]
  異常検出はコンピュータビジョンにおいて重要な問題であり、様々な現実の応用がある。 本稿では,本研究の要旨として,正規サンプルの異常のない視覚パターンの空間が,クラス固有の異常サンプルの様々な異常パターンの空間とよく相関していることを示す。
  論文  参考訳（メタデータ） (2024-10-09T06:18:53Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• 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)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering [28.296651124677556]
  ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。 画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。 実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
  論文  参考訳（メタデータ） (2023-07-06T18:17:43Z)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks [2.9237210794416755]
  異なる視覚的手がかりに焦点をあてる新しい識別的・生成的タスクを導入する。 そこで本研究では,新しい分布検出機能を提案し,その安定性を他の分布検出方法と比較した。 我々のモデルは、これらの自己教師型タスクを用いて、高度に識別可能な特徴をより正確に学習することができる。
  論文  参考訳（メタデータ） (2021-11-24T09:54:50Z)
• Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for Anomaly Detection and Localization [19.23452967227186]
  本稿では,教師なし異常検出と位置推定のための新しいフレームワークを提案する。 本手法は, 粗いアライメントプロセスを用いて, 正規画像から高密度かつコンパクトな分布を学習することを目的としている。 本フレームワークは, 種々の実世界の欠陥の検出に有効であり, 産業用無監督異常検出における新たな最先端技術を実現する。
  論文  参考訳（メタデータ） (2021-10-09T10:44:58Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。