論文の概要: Boosting Fine-Grained Visual Anomaly Detection with Coarse-Knowledge-Aware Adversarial Learning

• arxiv url: http://arxiv.org/abs/2412.12850v1
• Date: Tue, 17 Dec 2024 12:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:02:09.318683
• Title: Boosting Fine-Grained Visual Anomaly Detection with Coarse-Knowledge-Aware Adversarial Learning
• Title（参考訳）: 粗知識学習による細粒度視覚異常検出の高速化
• Authors: Qingqing Fang, Qinliang Su, Wenxi Lv, Wenchao Xu, Jianxing Yu,
• Abstract要約: 本稿では,再構成された特徴の分布と通常の特徴の分布を一致させるために,粗い知識を意識した対向学習法を開発した。 このアライメントは、自動エンコーダの異常に対する再構成能力を効果的に抑制し、検出精度を向上させる。 パッチレベルの異常情報は得られていないが、提案手法は、再構成されたパッチ特徴の分布を通常のものと整合させることができることを厳密に証明する。
• 参考スコア（独自算出の注目度）: 16.296864509584346
• License:
• Abstract: Many unsupervised visual anomaly detection methods train an auto-encoder to reconstruct normal samples and then leverage the reconstruction error map to detect and localize the anomalies. However, due to the powerful modeling and generalization ability of neural networks, some anomalies can also be well reconstructed, resulting in unsatisfactory detection and localization accuracy. In this paper, a small coarsely-labeled anomaly dataset is first collected. Then, a coarse-knowledge-aware adversarial learning method is developed to align the distribution of reconstructed features with that of normal features. The alignment can effectively suppress the auto-encoder's reconstruction ability on anomalies and thus improve the detection accuracy. Considering that anomalies often only occupy very small areas in anomalous images, a patch-level adversarial learning strategy is further developed. Although no patch-level anomalous information is available, we rigorously prove that by simply viewing any patch features from anomalous images as anomalies, the proposed knowledge-aware method can also align the distribution of reconstructed patch features with the normal ones. Experimental results on four medical datasets and two industrial datasets demonstrate the effectiveness of our method in improving the detection and localization performance.
• Abstract（参考訳）: 多くの教師なし視覚異常検出方法は、オートエンコーダを訓練し、正常なサンプルを再構成し、再構成エラーマップを利用して異常を検出し、ローカライズする。 しかし、ニューラルネットワークの強力なモデリングと一般化能力により、いくつかの異常も十分に再構成でき、不満足な検出と局所化の精度をもたらす。 本稿では、まず、粗いラベル付き小さな異常データセットを収集する。 そして、再構成された特徴の分布と通常の特徴の分布とを整合させるために、粗い知識を意識した対向学習法を開発した。 このアライメントは、自動エンコーダの異常に対する再構成能力を効果的に抑制し、検出精度を向上させる。 異常画像のごく小さな領域しか占めていないことを考えると、パッチレベルの逆学習戦略がさらに発展している。 パッチレベルの異常情報は得られていないが、異常画像からのパッチ特徴を異常として単純に見ることで、提案手法は、再構築されたパッチ特徴の分布を通常のものと整合させることができることを厳密に証明する。 4つの医療データセットと2つの産業データセットの実験結果から,本手法が検出および局所化性能の向上に有効であることを実証した。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
  それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。 復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。 実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-15T07:20:27Z)
• 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)
• Reconstruction Error-based Anomaly Detection with Few Outlying Examples [1.011824113969195]
  本研究では,正規データのドメイン記述の外部に既知の異常を配置するようにモデルに指示する,再構成エラーに基づくアーキテクチャのアプローチについて検討する。 特に,本手法では,正常例と未知例の双方に関連のある再現誤差の対比を増大させるために,限られた数の異常例を利用する。
  論文  参考訳（メタデータ） (2023-05-17T08:20:29Z)
• Anomaly Detection with Adversarially Learned Perturbations of Latent Space [9.473040033926264]
  異常検出は、正常なデータの分布に適合しないサンプルを特定することである。 本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。 提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-03T19:32:00Z)
• 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)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• 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)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。