論文の概要: Attention-Guided Perturbation for Unsupervised Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2408.07490v1
• Date: Wed, 14 Aug 2024 12:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-08-15 13:34:28.363221
• Title: Attention-Guided Perturbation for Unsupervised Image Anomaly Detection
• Title（参考訳）: 教師なし画像異常検出のための注意誘導摂動法
• Authors: Tingfeng Huang, Yuxuan Cheng, Jingbo Xia, Rui Yu, Yuxuan Cai, Jinhai Xiang, Xinwei He, Xiang Bai,
• Abstract要約: 本稿では,AGPNet (Atention-Guided Pertuation Network) という再構成フレームワークを提案する。 注意マスクで摂動ノイズを加えることを学び、正確に教師なしの異常検出を行う。 本フレームワークは,少数ショット,一クラス,複数クラスの設定を含む各種設定下での先行異常検出性能を得る。
• 参考スコア（独自算出の注目度）: 39.48326211958042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstruction-based methods have significantly advanced modern unsupervised anomaly detection. However, the strong capacity of neural networks often violates the underlying assumptions by reconstructing abnormal samples well. To alleviate this issue, we present a simple yet effective reconstruction framework named Attention-Guided Pertuation Network (AGPNet), which learns to add perturbation noise with an attention mask, for accurate unsupervised anomaly detection. Specifically, it consists of two branches, \ie, a plain reconstruction branch and an auxiliary attention-based perturbation branch. The reconstruction branch is simply a plain reconstruction network that learns to reconstruct normal samples, while the auxiliary branch aims to produce attention masks to guide the noise perturbation process for normal samples from easy to hard. By doing so, we are expecting to synthesize hard yet more informative anomalies for training, which enable the reconstruction branch to learn important inherent normal patterns both comprehensively and efficiently. Extensive experiments are conducted on three popular benchmarks covering MVTec-AD, VisA, and MVTec-3D, and show that our framework obtains leading anomaly detection performance under various setups including few-shot, one-class, and multi-class setups.
• Abstract（参考訳）: レコンストラクションに基づく手法は、最新の非教師なし異常検出を著しく進歩させた。 しかし、ニューラルネットワークの強い能力は、しばしば異常なサンプルをうまく再構成することで基礎となる仮定に反する。 この問題を軽減するために,注意マスクによる摂動雑音を学習し,教師なしの異常検出を高精度に行う,AGPNet(Attention-Guided Pertuation Network)というシンプルな再構築フレームワークを提案する。 具体的には2つの枝(大家)、平らな再建枝、補助的な注意に基づく摂動枝)から構成される。 再建部は単に通常のサンプルの復元を学習するプレーンな再構築ネットワークであり、補助部は通常のサンプルのノイズ摂動過程を誘導するアテンションマスクを作成することを目的としている。 これにより、再建部は、包括的かつ効率的に重要な正規パターンを学習することが可能になる。 MVTec-AD, VisA, MVTec-3Dを網羅した3つの一般的なベンチマーク実験を行い, 本フレームワークは, ショット数, ワンクラス数, マルチクラス数など, 様々な設定において, 先行する異常検出性能が得られることを示す。

関連論文リスト

• IterMask3D: Unsupervised Anomaly Detection and Segmentation with Test-Time Iterative Mask Refinement in 3D Brain MR [10.763588041592703]
  教師なし異常検出とセグメンテーション法は、トレーニング分布を「正規」として学習するためにモデルを訓練する 一般的な手法は イメージを破損させ モデルを訓練し 再構築する 我々は3次元脳MRIのための反復型空間マスク精錬戦略であるIterMask3Dを提案する。
  論文  参考訳（メタデータ） (2025-04-07T10:41:23Z)
• Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection [4.742650815342744]
  産業生産における品質検査には, 教師なし異常検出が重要である。 本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。 提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
  論文  参考訳（メタデータ） (2024-04-20T05:13:56Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Excision And Recovery: Visual Defect Obfuscation Based Self-Supervised Anomaly Detection Strategy [1.0358639819750703]
  エキシジョン・アンド・リカバリ(EAR)と呼ばれる新しいリコンストラクション・バイ・インペインティング手法を提案する。 EARは、ImageNetで事前訓練されたDINO-ViTとヒント提供のための視覚的難読化に基づいて、単一の決定論的マスキングを特徴としている。 提案手法は,ニューラルネットワーク構造の変化を伴わずに,高い異常検出性能を実現する。
  論文  参考訳（メタデータ） (2023-10-06T04:40:48Z)
• FAIR: Frequency-aware Image Restoration for Industrial Visual Anomaly Detection [4.705841907301398]
  周波数対応画像復元(英: Frequency-Aware Image Restoration, FAIR)は、高周波成分から画像を復元する、新しい自己教師付き画像復元タスクである。 FAIRは、様々な欠陥検出データセットで高い効率で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-09-13T16:28:43Z)
• Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification [2.7503452586560484]
  非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。 そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:06:36Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection [40.778313918994996]
  再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。 本研究では,画像の再構成を分割組立手順として解釈する。 我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-28T01:14:32Z)
• 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)

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。