論文の概要: AnomalyNCD: Towards Novel Anomaly Class Discovery in Industrial Scenarios

• arxiv url: http://arxiv.org/abs/2410.14379v1
• Date: Fri, 18 Oct 2024 11:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:25:11.736308
• Title: AnomalyNCD: Towards Novel Anomaly Class Discovery in Industrial Scenarios
• Title（参考訳）: AnomalyNCD:産業シナリオにおける新しい異常クラス発見を目指して
• Authors: Ziming Huang, Xurui Li, Haotian Liu, Feng Xue, Yuzhe Wang, Yu Zhou,
• Abstract要約: AnomalyNCDは、既存の異常検出手法と互換性のある多クラス異常分類フレームワークである。 異常特有の特徴を学習し、自己管理的な方法で異常を分類する。 本手法は,MVTec ADおよびMTDデータセットの最先端処理よりも優れる。
• 参考スコア（独自算出の注目度）: 16.77348120041789
• License:
• Abstract: In the industrial scenario, anomaly detection could locate but cannot classify anomalies. To complete their capability, we study to automatically discover and recognize visual classes of industrial anomalies. In terms of multi-class anomaly classification, previous methods cluster anomalies represented by frozen pre-trained models but often fail due to poor discrimination. Novel class discovery (NCD) has the potential to tackle this. However, it struggles with non-prominent and semantically weak anomalies that challenge network learning focus. To address these, we introduce AnomalyNCD, a multi-class anomaly classification framework compatible with existing anomaly detection methods. This framework learns anomaly-specific features and classifies anomalies in a self-supervised manner. Initially, a technique called Main Element Binarization (MEBin) is first designed, which segments primary anomaly regions into masks to alleviate the impact of incorrect detections on learning. Subsequently, we employ mask-guided contrastive representation learning to improve feature discrimination, which focuses network attention on isolated anomalous regions and reduces the confusion of erroneous inputs through re-corrected pseudo labels. Finally, to enable flexible classification at both region and image levels during inference, we develop a region merging strategy that determines the overall image category based on the classified anomaly regions. Our method outperforms the state-of-the-art works on the MVTec AD and MTD datasets. Compared with the current methods, AnomalyNCD combined with zero-shot anomaly detection method achieves a 10.8% $F_1$ gain, 8.8% NMI gain, and 9.5% ARI gain on MVTec AD, 12.8% $F_1$ gain, 5.7% NMI gain, and 10.8% ARI gain on MTD. The source code is available at https://github.com/HUST-SLOW/AnomalyNCD.
• Abstract（参考訳）: 工業的シナリオでは、異常検出は発見できるが、異常を分類することはできない。 本研究は,産業異常の視覚的クラスを自動的に発見し,認識することを目的とする。 多クラス異常分類の観点では、以前の手法は凍結事前訓練されたモデルで表されるが、識別不良のためしばしば失敗する。 新たなクラス発見(NCD)は、この問題に対処する可能性がある。 しかし、ネットワーク学習の焦点に挑戦する非有名でセマンティックに弱い異常に苦しむ。 そこで本稿では,既存の異常検出手法と互換性のある多クラス異常分類フレームワークであるAnomalyNCDを紹介する。 このフレームワークは、異常固有の特徴を学習し、自己管理的な方法で異常を分類する。 当初、MEBin(Main Element Binarization)と呼ばれるテクニックが最初に設計され、一次異常領域をマスクに分割することで、誤った検出が学習に与える影響を軽減する。 その後、マスク誘導型コントラスト表現学習を用いて特徴識別を改善し、孤立した異常領域にネットワークの注意を集中させ、修正された擬似ラベルによる誤入力の混同を低減する。 最後に、推論中の領域と画像レベルでの柔軟な分類を可能にするために、分類された異常領域に基づいて全体画像カテゴリを決定する領域マージ戦略を開発する。 本手法は,MVTec ADおよびMTDデータセットの最先端処理よりも優れる。 現在の方法と比較して、AnomalyNCDとゼロショット異常検出法を組み合わせると、MVTec ADでは10.8%のF_1$ゲイン、8.8%のNMIゲイン、9.5%のARIゲイン、12.8%のF_1$ゲイン、5.7%のNMIゲイン、10.8%のARIゲインが得られる。 ソースコードはhttps://github.com/HUST-SLOW/AnomalyNCDで入手できる。

関連論文リスト

• AnomalySD: Few-Shot Multi-Class Anomaly Detection with Stable Diffusion Model [7.942354689705658]
  異常検出は製造業において重要な課題であり、製品の欠陥部分を特定することを目的としている。 ほとんどの産業的異常検出法は、訓練に十分な正規データが存在することを前提としている。 本稿では,安定拡散モデルを用いた数発のマルチクラス異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-04T08:33:44Z)
• 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)
• Domain-independent detection of known anomalies [1.3232004853011963]
  異常検出アプローチは、スパースな名目データで訓練することができるが、ドメインの一般化アプローチは、以前は目に見えないドメイン内のオブジェクトを検出することができる。 3つの新しいデータセットを生成することにより、確立されたMVTec ADデータセットを改良する。 SEMLPは、平均画像レベルのAUROCが87.2%であるのに対して、MIROは80.4%である。
  論文  参考訳（メタデータ） (2024-07-03T08:35:52Z)
• Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
  本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。 我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。 提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-20T07:21:37Z)
• Structural Teacher-Student Normality Learning for Multi-Class Anomaly Detection and Localization [17.543208086457234]
  SNL(Structure Teacher-Student Normality Learning)と呼ばれる新しいアプローチを導入する。 提案手法をMVTecADとVisAの2つの異常検出データセットで評価した。 この方法では, MVTecADが3.9%, MVTecADが1.5%, VisAが1.2%, 2.5%と, 最先端の蒸留アルゴリズムをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T00:02:24Z)
• 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)
• 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)
• 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)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
  視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。 残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
  論文  参考訳（メタデータ） (2021-04-28T11:03:50Z)

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。