論文の概要: Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis

• arxiv url: http://arxiv.org/abs/2407.15763v1
• Date: Mon, 22 Jul 2024 16:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 14:11:00.953952
• Title: Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis
• Title（参考訳）: 自己教師付きアウトリア合成によるオープンワールドオブジェクトベース異常検出に向けて
• Authors: Brian K. S. Isaac-Medina, Yona Falinie A. Gaus, Neelanjan Bhowmik, Toby P. Breckon,
• Abstract要約: この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。 提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。 提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
• 参考スコア（独自算出の注目度）: 15.748043194987075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection is a pivotal task in computer vision that has received significant attention in previous years. Nonetheless, the capability of a detector to localise objects out of the training distribution remains unexplored. Whilst recent approaches in object-level out-of-distribution (OoD) detection heavily rely on class labels, such approaches contradict truly open-world scenarios where the class distribution is often unknown. In this context, anomaly detection focuses on detecting unseen instances rather than classifying detections as OoD. This work aims to bridge this gap by leveraging an open-world object detector and an OoD detector via virtual outlier synthesis. This is achieved by using the detector backbone features to first learn object pseudo-classes via self-supervision. These pseudo-classes serve as the basis for class-conditional virtual outlier sampling of anomalous features that are classified by an OoD head. Our approach empowers our overall object detector architecture to learn anomaly-aware feature representations without relying on class labels, hence enabling truly open-world object anomaly detection. Empirical validation of our approach demonstrates its effectiveness across diverse datasets encompassing various imaging modalities (visible, infrared, and X-ray). Moreover, our method establishes state-of-the-art performance on object-level anomaly detection, achieving an average recall score improvement of over 5.4% for natural images and 23.5% for a security X-ray dataset compared to the current approaches. In addition, our method detects anomalies in datasets where current approaches fail. Code available at https://github.com/KostadinovShalon/oln-ssos.
• Abstract（参考訳）: 物体検出はコンピュータビジョンにおける重要な課題であり、過去数年間で大きな注目を集めてきた。 それでも、検出器がトレーニング分布から物体をローカライズする能力は未解明のままである。 オブジェクトレベルのアウト・オブ・ディストリビューション(OoD)検出における最近のアプローチは、クラスラベルに大きく依存しているが、そのようなアプローチは、クラス分布がよく知られていない真のオープンワールドシナリオと矛盾する。 この文脈では、異常検出は、検出をOoDとして分類するのではなく、目に見えないインスタンスを検出することに焦点を当てている。 この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周合成によって利用することで、このギャップを埋めることを目的としている。 これは、検出器バックボーン機能を使用して、まず自己スーパービジョンを介してオブジェクトの擬似クラスを学習する。 これらの擬似クラスは、OoDヘッドによって分類される異常な特徴のクラス条件付き仮想外れ値サンプリングの基礎となる。 提案手法は,オブジェクト検出アーキテクチャ全体において,クラスラベルを頼らずに,異常を意識した特徴表現の学習を可能にするため,真にオープンなオブジェクト検出が可能となる。 提案手法の実証検証は,様々な画像モダリティ(可視,赤外,X線)を含む多様なデータセットに対して有効であることを示す。 さらに,本手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアが5.4%以上,セキュリティX線データセットが23.5%向上した。 さらに,本手法は,現在のアプローチが失敗するデータセットの異常を検出する。 コードはhttps://github.com/KostadinovShalon/oln-ssos.comで公開されている。

関連論文リスト

• 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)
• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
  そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。 モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。 提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-12-06T13:39:30Z)
• PROB: Probabilistic Objectness for Open World Object Detection [15.574535196804042]
  Open World Object Detection (OWOD)は、従来のオブジェクト検出(OD)ベンチマークと現実世界におけるオブジェクト検出のギャップを埋める新しいコンピュータビジョンタスクである。 本稿では,対象物の確率分布推定と対象度推定を交互に行う,対象度推定のための新しい確率的フレームワークを提案する。 Probabilistic Objectness-based open-world detector, PROBは、私たちのフレームワークを従来のオブジェクト検出モデルに統合します。
  論文  参考訳（メタデータ） (2022-12-02T20:04:24Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。