論文の概要: A Recover-then-Discriminate Framework for Robust Anomaly Detection

• arxiv url: http://arxiv.org/abs/2406.04608v1
• Date: Fri, 7 Jun 2024 03:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 15:39:08.294463
• Title: A Recover-then-Discriminate Framework for Robust Anomaly Detection
• Title（参考訳）: ロバスト異常検出のためのリカバリ-then-discriminate Framework
• Authors: Peng Xing, Dong Zhang, Jinhui Tang, Zechao li,
• Abstract要約: 異常検出(AD)は近年,幅広いシナリオで広く研究され,応用されている。 実用的なアプリケーションのためにADを作成するために、達成されたものと望ましいレベルの認識精度の間にはまだギャップがある。 本稿では,ADのための新しいRecover-then-Discriminate(ReDi)フレームワークを提案する。 ReDiは、自己生成された特徴マップと選択されたインプットイメージを明示的な入力情報として取り込んで、ケース1の問題を解決する。 同時に,検索した表現と入力表現の異常な差異を高めるために,特徴レベルの識別ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 46.32260480448735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) has been extensively studied and applied in a wide range of scenarios in the recent past. However, there are still gaps between achieved and desirable levels of recognition accuracy for making AD for practical applications. In this paper, we start from an insightful analysis of two types of fundamental yet representative failure cases in the baseline model, and reveal reasons that hinder current AD methods from achieving a higher recognition accuracy. Specifically, by Case-1, we found that the main reasons detrimental to current AD methods is that the inputs to the recovery model contain a large number of detailed features to be recovered, which leads to the normal/abnormal area has-not/has been recovered into its original state. By Case-2, we surprisingly found that the abnormal area that cannot be recognized in image-level representations can be easily recognized in the feature-level representation. Based on the above observations, we propose a novel Recover-then-Discriminate (ReDi) framework for AD. ReDi takes a self-generated feature map and a selected prompted image as explicit input information to solve problems in case-1. Concurrently, a feature-level discriminative network is proposed to enhance abnormal differences between the recovered representation and the input representation. Extensive experimental results on two popular yet challenging AD datasets validate that ReDi achieves the new state-of-the-art accuracy.
• Abstract（参考訳）: 異常検出(AD)は近年,幅広いシナリオで広く研究され,応用されている。 しかし、実用的な応用のためにADを作成するために、達成された認識精度と望ましい認識精度の間にはまだギャップがある。 本稿では、ベースラインモデルにおける2種類の基本的かつ代表的障害事例の洞察に富んだ分析から始め、現在のAD手法が高い認識精度を達成するのを妨げる理由を明らかにする。 特に, ケース1では, 現在のAD法に有害な主な原因として, 復元対象の詳細な特徴が多数含まれており, 正常/異常領域のhas-not/haが元の状態に復元されていることが挙げられる。 ケース2では,画像レベルの表現では認識できない異常領域が特徴レベルの表現では容易に認識できることがわかった。 以上の知見に基づいて,ADのための新しいRecover-then-Discriminate(ReDi)フレームワークを提案する。 ReDiは、自己生成された特徴マップと選択されたインプットイメージを明示的な入力情報として取り込んで、ケース1の問題を解決する。 同時に,検索した表現と入力表現の異常な差異を高めるために,特徴レベルの識別ネットワークを提案する。 2つの人気があるが挑戦的なADデータセットに対する大規模な実験結果は、ReDiが新しい最先端の精度を達成することを証明している。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  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。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Produce Once, Utilize Twice for Anomaly Detection [6.501323305130114]
  我々は、再構成ネットワークにおける識別情報電位を再利用することにより、精度と効率を両立させるPOUTAを導出する。 POUTAは、特別な設計をせずに、最先端の数発の異常検出方法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-20T10:49:49Z)
• 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)
• 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)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)

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。