Fugu-MT 論文翻訳(概要): View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis

論文の概要: View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis

arxiv url: http://arxiv.org/abs/2406.18012v1
Date: Wed, 26 Jun 2024 01:54:10 GMT
ステータス: 処理完了
システム内更新日: 2024-06-27 14:57:54.662130
Title: View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis
Title（参考訳）: 適応的なビュー合成を用いた多目的シーンにおけるビュー不変の画素異常検出
Authors: Subin Varghese, Vedhus Hoskere,
Abstract要約: インフラ資産の検査と監視には、定期的に撮影されるシーンの視覚異常を特定する必要がある。手動で収集した画像や、同じ場面で同じシーンから無人航空機などのロボットで撮影された画像は、通常は完全に一致していない。現在の非教師なし画素レベルの異常検出法は, 主に産業環境下で開発されている。提案するScene AD問題に対処するために,OmniADと呼ばれる新しいネットワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The inspection and monitoring of infrastructure assets typically requires identifying visual anomalies in scenes periodically photographed over time. Images collected manually or with robots such as unmanned aerial vehicles from the same scene at different instances in time are typically not perfectly aligned. Supervised segmentation methods can be applied to identify known problems, but unsupervised anomaly detection approaches are required when unknown anomalies occur. Current unsupervised pixel-level anomaly detection methods have mainly been developed for industrial settings where the camera position is known and constant. However, we find that these methods fail to generalize to the case when images are not perfectly aligned. We term the problem of unsupervised anomaly detection between two such imperfectly aligned sets of images as Scene Anomaly Detection (Scene AD). We present a novel network termed OmniAD to address the Scene AD problem posed. Specifically, we refine the anomaly detection method reverse distillation to achieve a 40% increase in pixel-level anomaly detection performance. The network's performance is further demonstrated to improve with two new data augmentation strategies proposed that leverage novel view synthesis and camera localization to improve generalization. We validate our approach with qualitative and quantitative results on a new dataset, ToyCity, the first Scene AD dataset with multiple objects, as well as on the established single object-centric dataset, MAD. https://drags99.github.io/OmniAD/
Abstract（参考訳）: インフラ資産の検査と監視には、通常、定期的に撮影されるシーンの視覚異常を特定する必要がある。手動で収集した画像や、同じ場面で同じシーンから無人航空機などのロボットで撮影された画像は、通常は完全に一致していない。監視されたセグメンテーション手法は既知の問題を特定するために応用できるが、未知の異常が発生した場合、教師なしの異常検出手法が必要である。現在の無監督画素レベルの異常検出法は主に、カメラの位置が知られ、一定である産業環境で開発された。しかし,画像が完全に整列していない場合には,これらの手法が一般化に失敗する。本稿では,2つの不完全整列画像間の教師なし異常検出の問題点を,Scene Anomaly Detection (Scene AD) と呼ぶ。提案するScene AD問題に対処するために,OmniADと呼ばれる新しいネットワークを提案する。具体的には, 逆蒸留法を改良し, 画素レベルの異常検出性能を40%向上させる。このネットワークの性能は、新しいビュー合成とカメラのローカライゼーションを活用して一般化を改善する2つの新しいデータ拡張戦略によってさらに向上することが示されている。新しいデータセットであるToyCityは、複数のオブジェクトを持つ最初のScene ADデータセットであり、確立された単一のオブジェクト中心のデータセットであるMADにも当てはまる。 https://drags99.github.io/OmniAD/

関連論文リスト

UMAD: University of Macau Anomaly Detection Benchmark Dataset [26.25955201927986]
本稿では,ロボットパトロールシナリオにおける参照による異常検出のための最初のベンチマークデータセットを紹介する。提案するベンチマークデータセットは,ロボットの正確な位置推定に基づいて,各クエリ画像が対応する参照を見つけることができるよう精査されている。提案するベンチマークデータセットに加えて,このデータセットに基づいてADrのベースラインモデルを評価する。
論文参考訳（メタデータ） (2024-08-22T16:32:19Z)
Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2024-08-12T03:31:29Z)
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)
ATAC-Net: Zoomed view works better for Anomaly Detection [1.024113475677323]
ATAC-Netは、既知の最小限の事前異常から異常を検出する訓練を行うフレームワークである。我々は、その優位性を、同等の設定で現在の最先端技術と比較する。
論文参考訳（メタデータ） (2024-06-20T15:18:32Z)
Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
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)
Self-Calibrating Anomaly and Change Detection for Autonomous Inspection Robots [0.07366405857677225]
視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-08-26T09:52:12Z)
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文参考訳（メタデータ） (2021-04-08T19:04:55Z)
A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2020-08-27T18:39:24Z)
OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文参考訳（メタデータ） (2020-01-18T09:57:37Z)

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。