論文の概要: Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection
- arxiv url: http://arxiv.org/abs/2412.17458v1
- Date: Mon, 23 Dec 2024 10:26:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 16:00:17.856697
- Title: Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection
- Title(参考訳): 産業用異常検出のためのプログレッシブ境界誘導異常合成
- Authors: Qiyu Chen, Huiyuan Luo, Han Gao, Chengkan Lv, Zhengtao Zhang,
- Abstract要約: 教師なし異常検出法は, 通常の試料のみを応用して, 産業画像の表面欠陥を識別することができる。
本稿では, 補助的なテクスチャを伴わずに, 重要な特徴レベルの異常を指向的に合成できる新しいプログレッシブ・バウンダリ誘導型異常合成(PBAS)戦略を提案する。
本手法は,3つの産業用データセットの最先端性能と高速検出速度を実現する。
- 参考スコア(独自算出の注目度): 1.5680795779726031
- License:
- Abstract: Unsupervised anomaly detection methods can identify surface defects in industrial images by leveraging only normal samples for training. Due to the risk of overfitting when learning from a single class, anomaly synthesis strategies are introduced to enhance detection capability by generating artificial anomalies. However, existing strategies heavily rely on anomalous textures from auxiliary datasets. Moreover, their limitations in the coverage and directionality of anomaly synthesis may result in a failure to capture useful information and lead to significant redundancy. To address these issues, we propose a novel Progressive Boundary-guided Anomaly Synthesis (PBAS) strategy, which can directionally synthesize crucial feature-level anomalies without auxiliary textures. It consists of three core components: Approximate Boundary Learning (ABL), Anomaly Feature Synthesis (AFS), and Refined Boundary Optimization (RBO). To make the distribution of normal samples more compact, ABL first learns an approximate decision boundary by center constraint, which improves the center initialization through feature alignment. AFS then directionally synthesizes anomalies with more flexible scales guided by the hypersphere distribution of normal features. Since the boundary is so loose that it may contain real anomalies, RBO refines the decision boundary through the binary classification of artificial anomalies and normal features. Experimental results show that our method achieves state-of-the-art performance and the fastest detection speed on three widely used industrial datasets, including MVTec AD, VisA, and MPDD. The code will be available at: https://github.com/cqylunlun/PBAS.
- Abstract(参考訳): 教師なし異常検出法は, 通常の試料のみを応用して, 産業画像の表面欠陥を識別することができる。
単一クラスから学習する際に過度に適合するリスクがあるため、人工的な異常を発生させることで検出能力を高めるために、異常合成戦略が導入された。
しかし、既存の戦略は補助的なデータセットからの異常なテクスチャに大きく依存している。
さらに、それらの異常合成のカバレッジと方向性の限界は、有用な情報を取り込むのに失敗し、かなりの冗長性をもたらす可能性がある。
これらの課題に対処するため, 補助的なテクスチャを伴わずに重要な特徴レベルの異常を指向的に合成できる新しいプログレッシブ・バウンダリ誘導型異常合成(PBAS)戦略を提案する。
Approximate Boundary Learning (ABL)、Anomaly Feature Synthesis (AFS)、Refined Boundary Optimization (RBO)の3つのコアコンポーネントで構成されている。
正規サンプルの分布をよりコンパクトにするために、ABLはまず中心制約による近似決定境界を学習し、特徴アライメントによる中心初期化を改善する。
AFSは、通常の特徴の超球分布によって導かれるより柔軟なスケールで異常を方向的に合成する。
境界は非常に緩いので、実際の異常を含む可能性があるので、RBOは、人工異常と通常の特徴のバイナリ分類を通じて決定境界を洗練する。
実験により, MVTec AD, VisA, MPDDの3つの産業データに対して, 最先端性能と高速検出速度が得られた。
コードは、https://github.com/cqylunlun/PBAS.comから入手できる。
関連論文リスト
- A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization [0.0]
本稿では,多様体と超球分布制約の下で,より広範な異常のカバレッジを合成する新しい統一フレームワークを提案する。
GLASSはMVTec AD(99.9%のAUROC)、VisA、MPDDデータセットの最先端の結果を達成し、弱い欠陥検出に優れる。
論文 参考訳(メタデータ) (2024-07-12T15:33:37Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - 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) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - 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) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳(メタデータ) (2023-07-25T04:04:49Z) - Time-series Anomaly Detection via Contextual Discriminative Contrastive
Learning [0.0]
一級分類法は、異常検出タスクに一般的に使用される。
本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。
我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
論文 参考訳(メタデータ) (2023-04-16T21:36:19Z) - U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with Unsupervised Threshold [0.40964539027092906]
画像中の異常セグメンテーションのための一級自己教師方式を提案する。
現代の機械学習アプローチと、より古典的な統計的検出理論の恩恵を受けている。
提案手法は、すべてのメトリクスとすべてのデータセットに対して最先端の結果を生成する。
論文 参考訳(メタデータ) (2022-11-22T15:43:19Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z)
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。