論文の概要: On The Relationship between Visual Anomaly-free and Anomalous Representations

• arxiv url: http://arxiv.org/abs/2410.06576v1
• Date: Wed, 9 Oct 2024 06:18:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 04:49:21.925386
• Title: On The Relationship between Visual Anomaly-free and Anomalous Representations
• Title（参考訳）: 視覚異常のない表現と異常表現の関係について
• Authors: Riya Sadrani, Hrishikesh Sharma, Ayush Bachan,
• Abstract要約: 異常検出はコンピュータビジョンにおいて重要な問題であり、様々な現実の応用がある。 本稿では,本研究の要旨として,正規サンプルの異常のない視覚パターンの空間が,クラス固有の異常サンプルの様々な異常パターンの空間とよく相関していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly Detection is an important problem within computer vision, having variety of real-life applications. Yet, the current set of solutions to this problem entail known, systematic shortcomings. Specifically, contemporary surface Anomaly Detection task assumes the presence of multiple specific anomaly classes e.g. cracks, rusting etc., unlike one-class classification model of past. However, building a deep learning model in such setup remains a challenge because anomalies arise rarely, and hence anomaly samples are quite scarce. Transfer learning has been a preferred paradigm in such situations. But the typical source domains with large dataset sizes e.g. ImageNet, JFT-300M, LAION-2B do not correlate well with the domain of surfaces and materials, an important premise of transfer learning. In this paper, we make an important hypothesis and show, by exhaustive experimentation, that the space of anomaly-free visual patterns of the normal samples correlates well with each of the various spaces of anomalous patterns of the class-specific anomaly samples. The first results of using this hypothesis in transfer learning have indeed been quite encouraging. We expect that finding such a simple closeby domain that readily entails large number of samples, and which also oftentimes shows interclass separability though with narrow margins, will be a useful discovery. Especially, it is expected to improve domain adaptation for anomaly detection, and few-shot learning for anomaly detection, making in-the-wild anomaly detection realistically possible in future.
• Abstract（参考訳）: 異常検出はコンピュータビジョンにおいて重要な問題であり、様々な現実の応用がある。 しかし、この問題に対する現在のソリューションセットには、既知の、体系的な欠点が伴う。 特に、現代の表面異常検出タスクは、過去の1クラス分類モデルとは異なり、複数の特定の異常クラス、例えば亀裂、さび等が存在することを前提としている。 しかし、このようなセットアップでディープラーニングモデルを構築することは、異常が発生することは稀であり、そのため異常サンプルは極めて少ないため、依然として課題である。 このような状況下では、トランスファーラーニングが望ましいパラダイムとなっている。 しかし、画像Net, JFT-300M, LAION-2Bのような大きなデータセットサイズを持つ典型的なソースドメインは、転送学習の重要な前提である表面や材料のドメインとよく相関しない。 本稿では,本研究の要旨として,正規サンプルの異常のない視覚パターンの空間が,クラス固有の異常サンプルの様々な異常パターンの空間とよく相関していることを示す。 この仮説をトランスファーラーニングに使った最初の結果は、確かに大いに励まされてきた。 このような単純なクローズバイドメインの発見には,多数のサンプルが容易に必然的に必要であり,クラス間セパビリティが狭いものの,クラス間セパビリティを示す場合も少なくない。 特に、異常検出のための領域適応と、異常検出のための少数ショット学習の改善が期待され、将来、非異常検出を現実的に実現する。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• 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)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Few-shot Deep Representation Learning based on Information Bottleneck Principle [0.0]
  標準異常検出問題では、サンプルが正規データの単一ソースから生成されたと仮定して、教師なしの設定で検出モデルを訓練する。 実際には、通常データは複数のクラスから構成されることが多いが、このような設定では、大規模ラベル付きデータを持たない通常のクラス間の相違点において、通常のインスタンスと異常を区別する学習が大きな課題となっている。 本研究では,通常のクラスからサンプルを少数用意することで,この課題を克服しようと試みるが,これは過度にコストがかかるものではない。
  論文  参考訳（メタデータ） (2021-11-25T07:15:12Z)
• 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)

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。