論文の概要: Separating Novel Features for Logical Anomaly Detection: A Straightforward yet Effective Approach

• arxiv url: http://arxiv.org/abs/2407.17909v1
• Date: Thu, 25 Jul 2024 10:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 14:28:24.766531
• Title: Separating Novel Features for Logical Anomaly Detection: A Straightforward yet Effective Approach
• Title（参考訳）: 論理的異常検出のための新しい特徴の分離:一方向的かつ効果的なアプローチ
• Authors: Kangil Lee, Geonuk Kim,
• Abstract要約: 視覚に基づく検査アルゴリズムは産業環境での品質管理に大きく貢献している。 論理的欠陥に対処する最近の手法は、知識蒸留を効果的に活用して差分マップを生成する。 この技術的報告は、KDに基づく論理異常検出法における単純な制約を利用して、潜在的な偽陰性を扱う際の知見を提供する。
• 参考スコア（独自算出の注目度）: 2.1178416840822027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-based inspection algorithms have significantly contributed to quality control in industrial settings, particularly in addressing structural defects like dent and contamination which are prevalent in mass production. Extensive research efforts have led to the development of related benchmarks such as MVTec AD (Bergmann et al., 2019). However, in industrial settings, there can be instances of logical defects, where acceptable items are found in unsuitable locations or product pairs do not match as expected. Recent methods tackling logical defects effectively employ knowledge distillation to generate difference maps. Knowledge distillation (KD) is used to learn normal data distribution in unsupervised manner. Despite their effectiveness, these methods often overlook the potential false negatives. Excessive similarity between the teacher network and student network can hinder the generation of a suitable difference map for logical anomaly detection. This technical report provides insights on handling potential false negatives by utilizing a simple constraint in KD-based logical anomaly detection methods. We select EfficientAD as a state-of-the-art baseline and apply a margin-based constraint to its unsupervised learning scheme. Applying this constraint, we can improve the AUROC for MVTec LOCO AD by 1.3 %.
• Abstract（参考訳）: 視覚に基づく検査アルゴリズムは、特に大量生産で普及するデントや汚染などの構造的欠陥に対処するために、産業環境での品質管理に大きく貢献している。 大規模な研究努力がMVTec AD (Bergmann et al , 2019)のような関連するベンチマークの開発につながっている。 しかし、産業環境では、不適切な場所で許容できるアイテムが見つかったり、製品ペアが期待通りに一致しないような論理的欠陥の例がある。 論理的欠陥に対処する最近の手法は、知識蒸留を効果的に活用して差分マップを生成する。 知識蒸留(KD)は、教師なしの方法で通常のデータ分布を学習するために用いられる。 その効果にもかかわらず、これらの方法はしばしば潜在的な偽陰性を見落としている。 教師ネットワークと学生ネットワークとの過剰な類似性は、論理的異常検出に適した差分マップの生成を妨げる可能性がある。 この技術的報告は、KDに基づく論理異常検出法における単純な制約を利用して、潜在的な偽陰性を扱う際の知見を提供する。 我々は、最先端のベースラインとしてEfficientADを選択し、その教師なし学習スキームにマージンベースの制約を適用した。 この制約を適用して、MVTec LOCO ADのAUROCを1.3%改善できる。

関連論文リスト

• Error Detection and Constraint Recovery in Hierarchical Multi-Label Classification without Prior Knowledge [2.0007789979629784]
  本稿では,機械学習モデルの障害モードに関する説明可能なルールを学習可能なEDR(Error Detection Rules)に基づくアプローチを提案する。 提案手法は,機械学習の誤りの検出や制約の回復に有効であり,耐雑音性があり,複数のデータセット上でのニューロシンボリックモデルの知識源として機能することを示す。
  論文  参考訳（メタデータ） (2024-07-21T15:12:19Z)
• 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)
• 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)
• 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)
• REB: Reducing Biases in Representation for Industrial Anomaly Detection [16.550844182346314]
  本稿では,ドメインバイアスを考慮した表現におけるReduceing Biases (REB)を提案する。 また,特徴空間における局所密度バイアスを低減し,効果的な異常検出を実現するために,局所密度KNN(LDKNN)を提案する。 提案したREB法は,Vgg11やResnet18などの小さなバックボーンネットワークを用いて,広く使用されているMVTec AD上で99.5%のIm.AUROCを実現する。
  論文  参考訳（メタデータ） (2023-08-24T05:32:29Z)
• ReConPatch : Contrastive Patch Representation Learning for Industrial Anomaly Detection [5.998761048990598]
  本稿では,事前学習モデルから抽出したパッチ特徴の線形変調を訓練することにより,異常検出のための識別機能を構築するReConPatchを紹介する。 本手法は,MVTec ADデータセットに対して,最先端の異常検出性能(99.72%)を実現する。
  論文  参考訳（メタデータ） (2023-05-26T07:59:36Z)
• Robustness to Spurious Correlations Improves Semantic Out-of-Distribution Detection [24.821151013905865]
  画像入力のアウト・オブ・ディストリビューション(OOD)検出のための有望なアプローチとして,予測モデルの出力や特徴表現を利用する手法が登場した。 SN-OOD検出の故障について説明し、その対策としてニュアンス対応のOOD検出を提案する。
  論文  参考訳（メタデータ） (2023-02-08T15:28:33Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• Anomaly Detection via Self-organizing Map [52.542991004752]
  製品品質管理のための工業生産において,異常検出が重要な役割を担っている。 従来の異常検出方法は、限定的な一般化能力を持つルールベースである。 教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
  論文  参考訳（メタデータ） (2021-07-21T06:56:57Z)

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。