論文の概要: ONER: Online Experience Replay for Incremental Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.03907v3
• Date: Wed, 26 Mar 2025 09:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 16:24:34.210718
• Title: ONER: Online Experience Replay for Incremental Anomaly Detection
• Title（参考訳）: ONER: インクリメンタル異常検出のためのオンラインエクスペリエンスリプレイ
• Authors: Yizhou Jin, Jiahui Zhu, Guodong Wang, Shiwei Li, Jinjin Zhang, Xinyue Liu, Qingjie Liu, Yunhong Wang,
• Abstract要約: 増分異常検出は、工業製品ラインの欠陥を逐次識別することを目的としているが、破滅的な忘れ込みに悩まされている。 我々はこれらの問題に対処するエンドツーエンドフレームワークであるONER(Online Experience Replay)を提案する。 実験はONERの優位性を実証し、+4.4%のPixel AUROCと+28.3%のPixel AUPRで最先端の性能を達成した。
• 参考スコア（独自算出の注目度）: 38.26711343774729
• License:
• Abstract: Incremental anomaly detection aims to sequentially identify defects in industrial product lines but suffers from catastrophic forgetting, primarily due to knowledge overwriting during parameter updates and feature conflicts between tasks. In this work, We propose ONER (ONline Experience Replay), an end-to-end framework that addresses these issues by synergistically integrating two types of experience: (1) decomposed prompts, which dynamically generate image-conditioned prompts from reusable modules to retain prior knowledge thus prevent knowledge overwriting, and (2) semantic prototypes, which enforce separability in latent feature spaces at pixel and image levels to mitigate cross-task feature conflicts. Extensive experiments demonstrate the superiority of ONER, achieving state-of-the-art performance with +4.4% Pixel AUROC and +28.3% Pixel AUPR improvements on the MVTec AD dataset over prior methods. Remarkably, ONER achieves this with only 0.019M parameters and 5 training epochs per task, confirming its efficiency and stability for real-world industrial deployment.
• Abstract（参考訳）: インクリメンタル異常検出は、産業製品ラインの欠陥を逐次識別することを目的としているが、主にパラメータ更新時の知識過多とタスク間の機能衝突による破滅的な忘れ込みに悩まされている。 本研究は,(1)再利用可能なモジュールから画像条件付きプロンプトを動的に生成し,事前知識を保ちながら知識のオーバーライトを防止し,(2)画素内の潜在特徴空間と画像レベルの分離性を強制するセマンティックプロトタイプ,の2つのタイプの経験を相乗的に統合することで,これらの問題に対処するエンド・ツー・エンド・エンドのフレームワークであるONER(ONline Experience Replay)を提案する。 大規模な実験では、MVTec ADデータセットに対する+4.4%のPixel AUROCと+28.3%のPixel AUPRの改善で最先端のパフォーマンスを達成することができる。 注目すべきことに、ONERは0.019Mパラメータとタスク毎の5つのトレーニングエポックでこれを達成し、実世界の産業展開の効率性と安定性を確認している。

関連論文リスト

• Develop End-to-End Anomaly Detection System [3.130722489512822]
  異常検出は、ネットワークの堅牢性を保証する上で重要な役割を果たす。 本稿では,エンドツーエンドの異常検出モデル開発パイプラインを提案する。 本稿では,新しい予測モデルの導入とベンチマークによるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-02-01T09:02:44Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems [12.641578474466646]
  DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。 動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。 我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
  論文  参考訳（メタデータ） (2023-07-07T12:22:16Z)
• HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event Detection with Task-Adaptive Threshold [18.165302114575212]
  タスク適応型閾値(HCLTAT)を用いた新しいハイブリッドコントラスト学習法を提案する。 本稿では,タスク適応型閾値(HCLTAT)を用いたハイブリッドコントラスト学習手法を提案する。 ベンチマークデータセットFewEventの実験は、最先端技術と比較して、より良い結果を得るために、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-10-17T07:37:38Z)
• E2-AEN: End-to-End Incremental Learning with Adaptively Expandable Network [57.87240860624937]
  本稿では,E2-AENという,エンドツーエンドのトレーニング可能な適応拡張可能なネットワークを提案する。 以前のタスクの精度を落とさずに、新しいタスクのための軽量な構造を動的に生成する。 E2-AENはコストを削減し、あらゆるフィードフォワードアーキテクチャをエンドツーエンドで構築できる。
  論文  参考訳（メタデータ） (2022-07-14T09:04:51Z)
• Entropy-based Active Learning for Object Detection with Progressive Diversity Constraint [31.094612936162754]
  アクティブラーニングは、コンピュータビジョンタスクにおける高アノテーションコストの問題を軽減するための有望な代替手段である。 本稿では,この問題に対処する新たなハイブリッドアプローチを提案し,ボトムアップ方式でインスタンスレベルの不確実性と多様性を共同で検討する。
  論文  参考訳（メタデータ） (2022-04-17T09:51:12Z)
• FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
  ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。 本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
  論文  参考訳（メタデータ） (2022-04-10T11:38:33Z)
• Learning to Adapt to Unseen Abnormal Activities under Weak Supervision [43.40900198498228]
  ビデオ中の弱教師付き異常検出のためのメタラーニングフレームワークを提案する。 このフレームワークは,バイナリラベルの動画レベルのアノテーションが利用可能である場合にのみ,目に見えないような異常なアクティビティに効果的に対応できることを学習する。
  論文  参考訳（メタデータ） (2022-03-25T12:15:44Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Style Normalization and Restitution for DomainGeneralization and Adaptation [88.86865069583149]
  効果的なドメイン一般化モデルは、一般化および判別可能な特徴表現を学習することが期待される。 本稿では,ネットワークの高一般化と識別能力を確保するために,新しいスタイル正規化・再構成モジュール(SNR)を設計する。
  論文  参考訳（メタデータ） (2021-01-03T09:01:39Z)

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。