論文の概要: A Novel Representation of Periodic Pattern and Its Application to Untrained Anomaly Detection

• arxiv url: http://arxiv.org/abs/2409.05389v1
• Date: Mon, 9 Sep 2024 07:34:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 15:30:45.226510
• Title: A Novel Representation of Periodic Pattern and Its Application to Untrained Anomaly Detection
• Title（参考訳）: 周期パターンの新しい表現法とその非拘束異常検出への応用
• Authors: Peng Ye, Chengyu Tao, Juan Du,
• Abstract要約: 工業製品は、炭素繊維繊維やディスプレイパネルのような周期的なテクスチャや表面を持っている。 これらの製品の従来の画像に基づく品質検査手法では、通常の画像から周期的なパターンを特定する必要がある。 本稿では,連続パラメータの集合上で定義された周期像の新たな自己表現を提案する。
• 参考スコア（独自算出の注目度）: 5.387649670535478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are a variety of industrial products that possess periodic textures or surfaces, such as carbon fiber textiles and display panels. Traditional image-based quality inspection methods for these products require identifying the periodic patterns from normal images (without anomaly and noise) and subsequently detecting anomaly pixels with inconsistent appearances. However, it remains challenging to accurately extract the periodic pattern from a single image in the presence of unknown anomalies and measurement noise. To deal with this challenge, this paper proposes a novel self-representation of the periodic image defined on a set of continuous parameters. In this way, periodic pattern learning can be embedded into a joint optimization framework, which is named periodic-sparse decomposition, with simultaneously modeling the sparse anomalies and Gaussian noise. Finally, for the real-world industrial images that may not strictly satisfy the periodic assumption, we propose a novel pixel-level anomaly scoring strategy to enhance the performance of anomaly detection. Both simulated and real-world case studies demonstrate the effectiveness of the proposed methodology for periodic pattern learning and anomaly detection.
• Abstract（参考訳）: 炭素繊維繊維やディスプレイパネルなど、周期的なテクスチャや表面を持つ様々な工業製品がある。 これらの製品の従来の画像に基づく品質検査法では、通常の画像から周期的なパターンを識別し(異常やノイズを伴わない)、その後、矛盾した外観の異常なピクセルを検出する必要がある。 しかし、未知の異常や測定ノイズの存在下で、単一の画像から周期パターンを正確に抽出することは依然として困難である。 この課題に対処するため,本論文では,連続パラメータの集合上で定義された周期像の新たな自己表現を提案する。 このように、周期的パターン学習は、スパース異常とガウス雑音を同時にモデル化し、周期的スパース分解と呼ばれる共同最適化フレームワークに組み込むことができる。 最後に, 周期的仮定を厳密に満たさない実世界の産業画像に対して, 異常検出性能を高めるために, 新たな画素レベルの異常評価戦略を提案する。 シミュレーションおよび実世界のケーススタディは、周期的パターン学習と異常検出のための提案手法の有効性を示した。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections [0.0]
  車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。 本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T06:39:52Z)
• Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for Anomaly Detection and Localization [19.23452967227186]
  本稿では,教師なし異常検出と位置推定のための新しいフレームワークを提案する。 本手法は, 粗いアライメントプロセスを用いて, 正規画像から高密度かつコンパクトな分布を学習することを目的としている。 本フレームワークは, 種々の実世界の欠陥の検出に有効であり, 産業用無監督異常検出における新たな最先端技術を実現する。
  論文  参考訳（メタデータ） (2021-10-09T10:44:58Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマーク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） (2021-10-06T10:33:55Z)
• Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2020-10-23T19:34:40Z)
• OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
  クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
  論文  参考訳（メタデータ） (2020-01-18T09:57:37Z)

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。