論文の概要: LogicAL: Towards logical anomaly synthesis for unsupervised anomaly localization

• arxiv url: http://arxiv.org/abs/2405.06875v1
• Date: Sat, 11 May 2024 02:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 19:32:15.821777
• Title: LogicAL: Towards logical anomaly synthesis for unsupervised anomaly localization
• Title（参考訳）: Logical: 教師なし異常局所化のための論理的異常合成を目指して
• Authors: Ying Zhao,
• Abstract要約: 異常なローカライゼーションは工業生産ライン効率を向上させるための実用的な技術である。 本稿では,論理的および構造的両方の異常をフォトリアリスティックに生成する,エッジ操作に基づく異常合成フレームワーク LogicAL を提案する。
• 参考スコア（独自算出の注目度）: 3.180143442781838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly localization is a practical technology for improving industrial production line efficiency. Due to anomalies are manifold and hard to be collected, existing unsupervised researches are usually equipped with anomaly synthesis methods. However, most of them are biased towards structural defects synthesis while ignoring the underlying logical constraints. To fill the gap and boost anomaly localization performance, we propose an edge manipulation based anomaly synthesis framework, named LogicAL, that produces photo-realistic both logical and structural anomalies. We introduce a logical anomaly generation strategy that is adept at breaking logical constraints and a structural anomaly generation strategy that complements to the structural defects synthesis. We further improve the anomaly localization performance by introducing edge reconstruction into the network structure. Extensive experiments on the challenge MVTecLOCO, MVTecAD, VisA and MADsim datasets verify the advantage of proposed LogicAL on both logical and structural anomaly localization.
• Abstract（参考訳）: 異常なローカライゼーションは工業生産ライン効率を向上させるための実用的な技術である。 異常は多様体であり、収集が難しいため、既存の教師なしの研究は通常、異常合成法を備えている。 しかし、それらの多くは、基礎となる論理的制約を無視しながら、構造的欠陥合成に偏っている。 このギャップを埋め、異常局所化性能を高めるために、論理的および構造的異常の両方をフォトリアリスティックに生成するエッジ操作に基づく異常合成フレームワーク、LogicALを提案する。 本稿では, 論理的制約を破ることのできる論理的異常生成戦略と, 構造的欠陥合成を補完する構造的異常生成戦略を導入する。 ネットワーク構造にエッジ再構成を導入することにより,異常局所化性能をさらに向上する。 MVTecLOCO, MVTecAD, VisA, MADsimの各データセットは論理的および構造的異常なローカライゼーションにおいて提案されたLogicALの利点を検証する。

関連論文リスト

• Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection [2.3020018305241337]
  産業異常検出は品質管理と予測維持に不可欠である。 既存の手法では、深層学習ネットワークから抽出された画像パッチから複数スケールの特徴を活用することで、デントやスクラッチなどの構造異常を一般的に検出する。 構造異常を検出するためのメモリと計算効率のよいアプローチであるDeep Feature Restruction (DFR) に注目し,これらの制約に対処する。 我々はさらに、DFRをUDSADと呼ばれる統一されたフレームワークに拡張し、構造的および論理的異常の両方を検出する。
  論文  参考訳（メタデータ） (2024-10-21T17:56:47Z)
• A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization [0.0]
  本稿では,多様体と超球分布制約の下で,より広範な異常のカバレッジを合成する新しい統一フレームワークを提案する。 GLASSはMVTec AD(99.9%のAUROC)、VisA、MPDDデータセットの最先端の結果を達成し、弱い欠陥検出に優れる。
  論文  参考訳（メタデータ） (2024-07-12T15:33:37Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification [2.7503452586560484]
  非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。 そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:06:36Z)
• Reconstruction Error-based Anomaly Detection with Few Outlying Examples [1.011824113969195]
  本研究では,正規データのドメイン記述の外部に既知の異常を配置するようにモデルに指示する,再構成エラーに基づくアーキテクチャのアプローチについて検討する。 特に,本手法では,正常例と未知例の双方に関連のある再現誤差の対比を増大させるために,限られた数の異常例を利用する。
  論文  参考訳（メタデータ） (2023-05-17T08:20:29Z)
• Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection [6.553276620691242]
  本稿では,論理的制約を伴う視覚異常検出のためのGlobal-Local Cor correspondingence Framework (GLCF) という新しいフレームワークを提案する。 視覚異常検出は、産業的異常検出や医学的疾患の診断など、様々な現実世界の応用において活発な研究領域となっている。
  論文  参考訳（メタデータ） (2023-03-10T08:09:40Z)
• 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)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。