論文の概要: Texture-AD: An Anomaly Detection Dataset and Benchmark for Real Algorithm Development

• arxiv url: http://arxiv.org/abs/2409.06367v1
• Date: Tue, 10 Sep 2024 09:44:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 18:19:52.460836
• Title: Texture-AD: An Anomaly Detection Dataset and Benchmark for Real Algorithm Development
• Title（参考訳）: Texture-AD: リアルアルゴリズム開発のための異常検出データセットとベンチマーク
• Authors: Tianwu Lei, Bohan Wang, Silin Chen, Shurong Cao, Ningmu Zou,
• Abstract要約: 代表的なテクスチャに基づく異常検出に基づくTexture-ADベンチマークを提案する。 このデータセットには、15の異なる布、14の半導体ウェハ、10の金属板の画像が含まれている。 私たちの知る限り、Texture-ADは、産業的欠陥検出アルゴリズムを実世界で評価するための最初のデータセットです。
• 参考スコア（独自算出の注目度）: 8.290951816115887
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection is a crucial process in industrial manufacturing and has made significant advancements recently. However, there is a large variance between the data used in the development and the data collected by the production environment. Therefore, we present the Texture-AD benchmark based on representative texture-based anomaly detection to evaluate the effectiveness of unsupervised anomaly detection algorithms in real-world applications. This dataset includes images of 15 different cloth, 14 semiconductor wafers and 10 metal plates acquired under different optical schemes. In addition, it includes more than 10 different types of defects produced during real manufacturing processes, such as scratches, wrinkles, color variations and point defects, which are often more difficult to detect than existing datasets. All anomalous areas are provided with pixel-level annotations to facilitate comprehensive evaluation using anomaly detection models. Specifically, to adapt to diverse products in automated pipelines, we present a new evaluation method and results of baseline algorithms. The experimental results show that Texture-AD is a difficult challenge for state-of-the-art algorithms. To our knowledge, Texture-AD is the first dataset to be devoted to evaluating industrial defect detection algorithms in the real world. The dataset is available at https://XXX.
• Abstract（参考訳）: 異常検出は工業生産において重要なプロセスであり、近年は大きな進歩を遂げている。 しかし、開発で使用されるデータと生産環境によって収集されるデータの間には大きなばらつきがある。 そこで本研究では,テクスチャに基づく代表的な異常検出に基づくTexture-ADベンチマークを提案し,実世界のアプリケーションにおける教師なし異常検出アルゴリズムの有効性を評価する。 このデータセットには、15の異なる布、14の半導体ウェハ、10の金属プレートが異なる光学方式で取得されている。 さらに、スクラッチ、しわ、色の変化、点欠陥など、実際の製造プロセスで生成される10以上の異なるタイプの欠陥が含まれており、既存のデータセットよりも検出が難しいことが多い。 全ての異常領域には、異常検出モデルを用いた包括的な評価を容易にするピクセルレベルのアノテーションが提供されている。 具体的には、自動パイプラインにおける多種多様な製品に適応するために、ベースラインアルゴリズムの新たな評価方法と結果を提案する。 実験の結果,Texture-ADは最先端のアルゴリズムでは難しい課題であることがわかった。 私たちの知る限り、Texture-ADは、産業的欠陥検出アルゴリズムを実世界で評価するための最初のデータセットです。 データセットはhttps://XXX.org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)
• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
  大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。 30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
  論文  参考訳（メタデータ） (2024-03-19T09:44:41Z)
• 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)
• 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)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)

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。