論文の概要: Normality Addition via Normality Detection in Industrial Image Anomaly Detection Models

• arxiv url: http://arxiv.org/abs/2407.19849v1
• Date: Mon, 29 Jul 2024 09:59:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 14:16:11.292497
• Title: Normality Addition via Normality Detection in Industrial Image Anomaly Detection Models
• Title（参考訳）: 産業画像異常検出モデルにおける正規性検出による正規性付加
• Authors: Jihun Yi, Dahuin Jung, Sungroh Yoon,
• Abstract要約: 現実のシナリオでは、通常性を構成する基準はしばしば変化し、以前は異常なインスタンスを再分類する必要がある。 本稿では,新たな正規性を取り入れた意思決定境界の訓練後調整を含む「正規性追加」という新たなシナリオを提案する。 NANDは、テキスト記述に基づいて、画像内の意図された正規性に関連するパターンを検出する正規性検出を行う。
• 参考スコア（独自算出の注目度）: 40.142517277282586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of image anomaly detection (IAD) aims to identify deviations from normality in image data. These anomalies are patterns that deviate significantly from what the IAD model has learned from the data during training. However, in real-world scenarios, the criteria for what constitutes normality often change, necessitating the reclassification of previously anomalous instances as normal. To address this challenge, we propose a new scenario termed "normality addition," involving the post-training adjustment of decision boundaries to incorporate new normalities. To address this challenge, we propose a method called Normality Addition via Normality Detection (NAND), leveraging a vision-language model. NAND performs normality detection which detect patterns related to the intended normality within images based on textual descriptions. We then modify the results of a pre-trained IAD model to implement this normality addition. Using the benchmark dataset in IAD, MVTec AD, we establish an evaluation protocol for the normality addition task and empirically demonstrate the effectiveness of the NAND method.
• Abstract（参考訳）: 画像異常検出(IAD)の課題は、画像データの正常性から逸脱を識別することである。 これらの異常は、トレーニング中のデータからIADモデルが学んだこととは大きく異なるパターンである。 しかし、現実のシナリオでは、通常性を構成する基準はしばしば変化し、以前の異常なインスタンスを再分類する必要がある。 この課題に対処するため、我々は「正規性追加」と呼ばれる新たなシナリオを提案し、新しい正規性を導入するための決定境界の訓練後調整を行う。 この課題に対処するために、視覚言語モデルを利用した正規性検出(NAND)と呼ばれる手法を提案する。 NANDは、テキスト記述に基づいて、画像内の意図された正規性に関連するパターンを検出する正規性検出を行う。 次に、この正規性追加を実装するために、事前訓練されたIADモデルの結果を変更します。 IAD,MVTec ADのベンチマークデータセットを用いて、正規性付加タスクの評価プロトコルを確立し、NAND法の有効性を実証的に示す。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection [45.57544783322024]
  時系列異常検出は、観測順序から正規性を学ぶことによって異常な時間ステップを検出する問題を扱う。 本稿では,教師なし時系列異常検出研究における新しい正規問題の有効性を明らかにする。 本稿では、トレンド推定に基づく簡易かつ効果的なテスト時間適応戦略と、推論中の新しい正規性を学習するための自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-19T09:18:12Z)
• 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)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection [2.9864637081333085]
  画像中の異常検出(AD)は、標準からかなり逸脱した画像や画像のサブ構造を特定することを指す。 本研究では,大きな自然画像データセット上での識別モデルにより学習された深い特徴表現が,正規性を記述するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-05-28T16:43:41Z)
• Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
  本稿では,異常検出に対する教師なし学習手法を提案する。 また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
  論文  参考訳（メタデータ） (2020-03-30T05:30:09Z)

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。