論文の概要: ROADS: Robust Prompt-driven Multi-Class Anomaly Detection under Domain Shift

• arxiv url: http://arxiv.org/abs/2411.16049v1
• Date: Mon, 25 Nov 2024 02:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:20:40.061571
• Title: ROADS: Robust Prompt-driven Multi-Class Anomaly Detection under Domain Shift
• Title（参考訳）: ROADS: ドメインシフトによるロバストプロンプト駆動型マルチクラス異常検出
• Authors: Hossein Kashiani, Niloufar Alipour Talemi, Fatemeh Afghah,
• Abstract要約: ROADSは階層的なクラス認識のプロンプト統合機構を使用して、異常なクラス間の干渉を軽減する。 MVTec-ADデータセットとVISAデータセットの実験は、ROADSが異常検出と局所化の両方において最先端の手法を上回ることを示した。
• 参考スコア（独自算出の注目度）: 5.492174268132387
• License:
• Abstract: Recent advancements in anomaly detection have shifted focus towards Multi-class Unified Anomaly Detection (MUAD), offering more scalable and practical alternatives compared to traditional one-class-one-model approaches. However, existing MUAD methods often suffer from inter-class interference and are highly susceptible to domain shifts, leading to substantial performance degradation in real-world applications. In this paper, we propose a novel robust prompt-driven MUAD framework, called ROADS, to address these challenges. ROADS employs a hierarchical class-aware prompt integration mechanism that dynamically encodes class-specific information into our anomaly detector to mitigate interference among anomaly classes. Additionally, ROADS incorporates a domain adapter to enhance robustness against domain shifts by learning domain-invariant representations. Extensive experiments on MVTec-AD and VISA datasets demonstrate that ROADS surpasses state-of-the-art methods in both anomaly detection and localization, with notable improvements in out-of-distribution settings.
• Abstract（参考訳）: 近年,マルチクラス統一異常検出(MUAD)に注目が向けられ,従来の1クラス1モデルと比較して,よりスケーラブルで実用的な代替手段が提供されている。 しかし、既存のMUADメソッドはクラス間干渉に悩まされることが多く、ドメインシフトの影響を受けやすいため、現実のアプリケーションでは性能が大幅に低下する。 本稿では,これらの課題に対処するために,ROADSと呼ばれる新しい堅牢なプロンプト駆動型MUADフレームワークを提案する。 ROADSは階層的なクラス認識のプロンプト統合機構を用いて,クラス固有の情報を異常検出器に動的にエンコードし,異常なクラス間の干渉を軽減する。 さらにROADSにはドメインアダプタが組み込まれており、ドメイン不変表現を学習することで、ドメインシフトに対する堅牢性を高める。 MVTec-ADデータセットとVISAデータセットの大規模な実験により、ROADSは異常検出とローカライゼーションの両方において最先端の手法を超越しており、アウト・オブ・ディストリビューション設定が顕著に改善されている。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [25.434379659643707]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。