論文の概要: Few-Shot Anomaly Detection via Category-Agnostic Registration Learning
- arxiv url: http://arxiv.org/abs/2406.08810v1
- Date: Thu, 13 Jun 2024 05:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 21:18:27.695578
- Title: Few-Shot Anomaly Detection via Category-Agnostic Registration Learning
- Title(参考訳): カテゴリー非依存登録学習による少数ショット異常検出
- Authors: Chaoqin Huang, Haoyan Guan, Aofan Jiang, Yanfeng Wang, Michael Spratling, Xinchao Wang, Ya Zhang,
- Abstract要約: 既存のほとんどの異常検出方法は、各カテゴリに専用のモデルを必要とする。
本稿では,新しい数発の異常検出フレームワークを提案する。
これは新しいカテゴリーのモデル微調整を必要としない最初のFSAD法である。
- 参考スコア(独自算出の注目度): 65.64252994254268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing anomaly detection methods require a dedicated model for each category. Such a paradigm, despite its promising results, is computationally expensive and inefficient, thereby failing to meet the requirements for real-world applications. Inspired by how humans detect anomalies, by comparing a query image to known normal ones, this paper proposes a novel few-shot anomaly detection (FSAD) framework. Using a training set of normal images from various categories, registration, aiming to align normal images of the same categories, is leveraged as the proxy task for self-supervised category-agnostic representation learning. At test time, an image and its corresponding support set, consisting of a few normal images from the same category, are supplied, and anomalies are identified by comparing the registered features of the test image to its corresponding support image features. Such a setup enables the model to generalize to novel test categories. It is, to our best knowledge, the first FSAD method that requires no model fine-tuning for novel categories: enabling a single model to be applied to all categories. Extensive experiments demonstrate the effectiveness of the proposed method. Particularly, it improves the current state-of-the-art for FSAD by 11.3% and 8.3% on the MVTec and MPDD benchmarks, respectively. The source code is available at https://github.com/Haoyan-Guan/CAReg.
- Abstract(参考訳): 既存のほとんどの異常検出方法は、各カテゴリに専用のモデルを必要とする。
このようなパラダイムは、有望な結果にもかかわらず、計算に高価で非効率であるため、現実世界のアプリケーションに必要な要件を満たしていない。
人間が異常を検知する方法に触発され、クエリ画像を既知の正常画像と比較することにより、新しい数発異常検出(FSAD)フレームワークを提案する。
各種カテゴリからの正規画像のトレーニングセットを用いて、同一カテゴリの正規画像の整列を目的とした登録を、自己教師型カテゴリ非依存表現学習のプロキシタスクとして活用する。
テスト時には、同一カテゴリから数個の通常画像からなる画像とその対応する支持セットが供給され、テスト画像の登録された特徴と対応する支持画像特徴とを比較して異常を識別する。
このような設定により、モデルは新しいテストカテゴリに一般化できる。
我々の知る限りでは、新しいカテゴリのモデル微調整を必要としない最初のFSAD手法である。
大規模実験により提案手法の有効性が示された。
特に、MVTecベンチマークとMPDDベンチマークでは、FSADの現状を11.3%改善し、8.3%改善している。
ソースコードはhttps://github.com/Haoyan-Guan/CARegで入手できる。
関連論文リスト
- Absolute-Unified Multi-Class Anomaly Detection via Class-Agnostic Distribution Alignment [27.375917265177847]
教師なし異常検出(UAD)メソッドは、各オブジェクトカテゴリごとに別々のモデルを構築する。
近年の研究では、複数のクラス、すなわちモデル統一 UAD に対する統一モデルのトレーニングが提案されている。
我々は,クラス情報,すなわちtextitabsolute-unified UADを使わずに,マルチクラス異常検出に対処する,シンプルかつ強力な手法を提案する。
論文 参考訳(メタデータ) (2024-03-31T15:50:52Z) - MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with
Mutual Scoring of the Unlabeled Images [12.48347948647802]
産業ビジョンにおけるゼロショット異常分類(AC)とセグメンテーション(AS)について検討した。
我々は、識別特性を利用して、ラベルなし画像のMutual Scoring (MuSc) による新しいゼロショットAC/AS法を設計する。
本稿では,画像レベルの異常分類のためのRe-scoring with Constrained Image-level Neighborhood (RsCIN)という最適化手法を提案する。
論文 参考訳(メタデータ) (2024-01-30T05:16:52Z) - Diversified in-domain synthesis with efficient fine-tuning for few-shot
classification [64.86872227580866]
画像分類は,クラスごとのラベル付き例の小さなセットのみを用いて,画像分類器の学習を目的としている。
合成データを用いた数ショット学習における一般化問題に対処する新しいアプローチである DisEF を提案する。
提案手法を10種類のベンチマークで検証し,ベースラインを一貫して上回り,数ショット分類のための新しい最先端の手法を確立した。
論文 参考訳(メタデータ) (2023-12-05T17:18:09Z) - Incremental Generalized Category Discovery [26.028970894707204]
インクリメンタル一般化カテゴリー発見(IGCD)の課題を探る
これは、以前に見られたカテゴリから画像を正しく分類できるモデルを開発することを目的としている、挑戦的なカテゴリインクリメンタルな学習環境である。
本稿では,非パラメトリック分類と効率的な画像サンプリングを組み合わせたIGCDの新しい手法を提案する。
論文 参考訳(メタデータ) (2023-04-27T16:27:11Z) - Zero-shot Model Diagnosis [80.36063332820568]
ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。
本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
論文 参考訳(メタデータ) (2023-03-27T17:59:33Z) - Registration based Few-Shot Anomaly Detection [19.46397954621789]
本稿では,異常検出のための実用的かつ未検討の設定であるFSADについて考察する。
既存のFSAD研究は、標準ADに使用される1モデル毎の学習パラダイムに従っている。
人間が異常を検出する方法にインスパイアされた私たちは、本質的にカテゴリ間で一般化可能なイメージアライメントタスクである登録を活用します。
テスト中は、テスト画像の登録された特徴と対応するサポート(通常)画像とを比較して異常を識別する。
論文 参考訳(メタデータ) (2022-07-15T09:20:13Z) - Query Adaptive Few-Shot Object Detection with Heterogeneous Graph
Convolutional Networks [33.446875089255876]
Few-shot Object Detection (FSOD) は、いくつかの例を使って見えないオブジェクトを検出することを目的としている。
異種グラフ畳み込みネットワークを用いた新しいFSODモデルを提案する。
論文 参考訳(メタデータ) (2021-12-17T22:08:15Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。
これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。
非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文 参考訳(メタデータ) (2020-08-28T23:05:15Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳(メタデータ) (2020-02-25T03:32:29Z)
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。