Fugu-MT 論文翻訳(概要): ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection

論文の概要: ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection

arxiv url: http://arxiv.org/abs/2407.01312v1
Date: Mon, 1 Jul 2024 14:19:36 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 21:20:18.358854
Title: ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection
Title（参考訳）: ToCoAD:産業異常検出のための2段階コントラスト学習
Authors: Yun Liang, Zhiguang Hu, Junjie Huang, Donglin Di, Anyang Su, Lei Fan,
Abstract要約: 本稿では,textbfToCoADと呼ばれる2段階のトレーニング戦略を提案する。第1段階では、自己教師付き学習方法で合成異常を用いて識別ネットワークを訓練する。そして、このネットワークを第2段階で利用し、ブートストラップコントラスト学習を通じて特徴抽出器のトレーニングを支援する負の特徴ガイドを提供する。
参考スコア（独自算出の注目度）: 10.241033980055695
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current unsupervised anomaly detection approaches perform well on public datasets but struggle with specific anomaly types due to the domain gap between pre-trained feature extractors and target-specific domains. To tackle this issue, this paper presents a two-stage training strategy, called \textbf{ToCoAD}. In the first stage, a discriminative network is trained by using synthetic anomalies in a self-supervised learning manner. This network is then utilized in the second stage to provide a negative feature guide, aiding in the training of the feature extractor through bootstrap contrastive learning. This approach enables the model to progressively learn the distribution of anomalies specific to industrial datasets, effectively enhancing its generalizability to various types of anomalies. Extensive experiments are conducted to demonstrate the effectiveness of our proposed two-stage training strategy, and our model produces competitive performance, achieving pixel-level AUROC scores of 98.21\%, 98.43\% and 97.70\% on MVTec AD, VisA and BTAD respectively.
Abstract（参考訳）: 現在の教師なし異常検出アプローチは、公開データセットではうまく機能するが、事前訓練された特徴抽出器とターゲット固有のドメイン間のドメインギャップのため、特定の異常タイプに対処する。この問題に対処するため,本稿では,textbf{ToCoAD}と呼ばれる2段階のトレーニング戦略を提案する。第1段階では、自己教師付き学習方法で合成異常を用いて識別ネットワークを訓練する。そして、このネットワークを第2段階で利用し、ブートストラップコントラスト学習を通じて特徴抽出器のトレーニングを支援する負の特徴ガイドを提供する。このアプローチにより,産業データセット固有の異常の分布を段階的に学習し,様々な種類の異常に対する一般化性を効果的に向上することができる。提案した2段階トレーニング戦略の有効性を実証するため,本モデルは,MVTec AD, VisA, BTADにおいて, 画素レベルのAUROCスコア98.21\%, 98.43\%, 97.70\%を達成し, 競争性能を向上する。

関連論文リスト

Test Time Training for Industrial Anomaly Segmentation [15.973768095014906]
産業品質管理にはAD&S(Anomaly Detection and Ranging)が不可欠である。本稿では,セグメンテーション性能を向上させるためのテストタイムトレーニング戦略を提案する。我々は,MVTec ADとMVTec 3D-ADの広範囲な実験と評価を通じて,ベースラインに対するアプローチの有効性を実証した。
論文参考訳（メタデータ） (2024-04-04T18:31:24Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文参考訳（メタデータ） (2023-11-12T10:07:03Z)
SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文参考訳（メタデータ） (2023-04-06T17:36:23Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文参考訳（メタデータ） (2022-10-11T08:24:50Z)
Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文参考訳（メタデータ） (2022-08-26T19:50:46Z)
Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文参考訳（メタデータ） (2021-05-14T10:05:10Z)
Deep Stable Learning for Out-Of-Distribution Generalization [27.437046504902938]
深層ニューラルネットワークに基づくアプローチは、同様の分布を持つデータとトレーニングデータをテストする際に顕著なパフォーマンスを達成した。トレーニングとテストデータ間の分散シフトの影響を排除することは、パフォーマンス向上の深層モデルの構築に不可欠です。トレーニングサンプルの学習重みによる特徴間の依存関係を除去し,この問題に対処することを提案する。
論文参考訳（メタデータ） (2021-04-16T03:54:21Z)
Regularization with Latent Space Virtual Adversarial Training [4.874780144224057]
VAT(Virtual Adversarial Training)は,最近開発された正規化手法において顕著な結果を示した。入力空間の代わりに潜在空間の摂動を注入するLVATを提案する。 LVATは反対のサンプルを柔軟に生成することができ、より有害な効果をもたらし、より効果的な正則化をもたらす。
論文参考訳（メタデータ） (2020-11-26T08:51:38Z)
Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm [15.898383112569237]
異常検出の一般的な方法は、逆数ネットワークのジェネレータを使用して異常スコアを定式化することである。本研究では,幅広いトレーニング段階にわたって,安定した結果を効果的に生成するフレームワークを提案する。我々のモデルは,最近の最先端手法を超越して,98.1%のフレームレベルAUCを実現する。
論文参考訳（メタデータ） (2020-04-16T13:48:58Z)

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。