論文の概要: Selective Test-Time Adaptation for Unsupervised Anomaly Detection using Neural Implicit Representations

• arxiv url: http://arxiv.org/abs/2410.03306v2
• Date: Fri, 25 Oct 2024 13:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 23:08:51.582702
• Title: Selective Test-Time Adaptation for Unsupervised Anomaly Detection using Neural Implicit Representations
• Title（参考訳）: ニューラルインプシット表現を用いた教師なし異常検出のための選択的テスト時間適応
• Authors: Sameer Ambekar, Julia A. Schnabel, Cosmin I. Bercea,
• Abstract要約: テスト時間適応は、目に見えないドメインに対するディープラーニングモデルを最適化するための有望なアプローチを提供する。 本稿では, 事前学習した深部特徴の特徴を生かした, 選択的テスト時間適応の概念を提案する。 我々の戦略は、複数の条件と異なる目標分布に対する検出精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 3.3834108313265916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models in medical imaging often encounter challenges when adapting to new clinical settings unseen during training. Test-time adaptation offers a promising approach to optimize models for these unseen domains, yet its application in anomaly detection (AD) remains largely unexplored. AD aims to efficiently identify deviations from normative distributions; however, full adaptation, including pathological shifts, may inadvertently learn the anomalies it intends to detect. We introduce a novel concept of selective test-time adaptation that utilizes the inherent characteristics of deep pre-trained features to adapt selectively in a zero-shot manner to any test image from an unseen domain. This approach employs a model-agnostic, lightweight multi-layer perceptron for neural implicit representations, enabling the adaptation of outputs from any reconstruction-based AD method without altering the source-trained model. Rigorous validation in brain AD demonstrated that our strategy substantially enhances detection accuracy for multiple conditions and different target distributions. Specifically, our method improves the detection rates by up to 78% for enlarged ventricles and 24% for edemas.
• Abstract（参考訳）: 医用画像における深層学習モデルは、トレーニング中に見えない新しい臨床環境に適応する場合、しばしば困難に直面する。 テスト時適応は、これらの未確認領域のモデルを最適化するための有望なアプローチを提供するが、その異常検出(AD)への応用は、ほとんど未調査のままである。 ADは、規範的な分布から逸脱を効率的に識別することを目的としているが、病理的な変化を含む完全な適応は、検出しようとする異常を不注意に学習する可能性がある。 本稿では、未確認領域からの任意のテスト画像に対してゼロショット方式で選択的に適応するために、深層事前学習特徴の特性を利用する選択テスト時間適応という新しい概念を提案する。 このアプローチでは、モデルに依存しない軽量な多層パーセプトロンをニューラルネットワークの暗黙表現に適用し、ソース学習モデルを変更することなく、任意の再構成ベースのAD手法からの出力の適応を可能にする。 脳ADの厳密な検証は、複数の条件と異なる目標分布に対する検出精度を大幅に向上させることを実証した。 具体的には,拡張心室では最大78%,浮腫では24%の検出率で改善した。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
  異常検出は、データ内の確立されたパターンから逸脱を検出する。 本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。 実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-18T15:11:44Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Selective classification using a robust meta-learning approach [28.460912135533988]
  本稿では,補助ネットワークを用いて予測不確実性を捉えるインスタンス条件の再重み付け手法を提案する。 制御された実験において、このメタオブジェクトを通して様々な不確実性の概念を効果的に捉えていることを示す。 糖尿病網膜症では、最大3.4%/3.3%の精度でSOTAを上回り、選択的分類ではAUCが上昇する。
  論文  参考訳（メタデータ） (2022-12-12T15:45:23Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• 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)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
  本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。 脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-30T18:03:18Z)

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。