論文の概要: Kernel-Aware Graph Prompt Learning for Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.17619v1
• Date: Mon, 23 Dec 2024 14:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:57:51.190481
• Title: Kernel-Aware Graph Prompt Learning for Few-Shot Anomaly Detection
• Title（参考訳）: Few-Shot 異常検出のためのカーネル対応グラフプロンプト学習
• Authors: Fenfang Tao, Guo-Sen Xie, Fang Zhao, Xiangbo Shu,
• Abstract要約: Few-shot Anomaly Detection (FSAD) は、同じクラスからのごく少数の正規サポート画像のガイダンスを用いて、見えない異常領域を検出することを目的としている。 本稿では,KAG-promptと呼ばれるカーネル対応グラフプロンプト学習フレームワークを提案する。 MVTecADとVisAデータセットの実験は、KAG-promptが最先端のFSAD結果を達成することを示している。
• 参考スコア（独自算出の注目度）: 28.305370451520876
• License:
• Abstract: Few-shot anomaly detection (FSAD) aims to detect unseen anomaly regions with the guidance of very few normal support images from the same class. Existing FSAD methods usually find anomalies by directly designing complex text prompts to align them with visual features under the prevailing large vision-language model paradigm. However, these methods, almost always, neglect intrinsic contextual information in visual features, e.g., the interaction relationships between different vision layers, which is an important clue for detecting anomalies comprehensively. To this end, we propose a kernel-aware graph prompt learning framework, termed as KAG-prompt, by reasoning the cross-layer relations among visual features for FSAD. Specifically, a kernel-aware hierarchical graph is built by taking the different layer features focusing on anomalous regions of different sizes as nodes, meanwhile, the relationships between arbitrary pairs of nodes stand for the edges of the graph. By message passing over this graph, KAG-prompt can capture cross-layer contextual information, thus leading to more accurate anomaly prediction. Moreover, to integrate the information of multiple important anomaly signals in the prediction map, we propose a novel image-level scoring method based on multi-level information fusion. Extensive experiments on MVTecAD and VisA datasets show that KAG-prompt achieves state-of-the-art FSAD results for image-level/pixel-level anomaly detection. Code is available at https://github.com/CVL-hub/KAG-prompt.git.
• Abstract（参考訳）: Few-shot Anomaly Detection (FSAD) は、同じクラスからのごく少数の正規サポート画像のガイダンスを用いて、見えない異常領域を検出することを目的としている。 既存のFSADメソッドは通常、複雑なテキストプロンプトを直接設計して、一般的な視覚言語モデルパラダイムの下で視覚的特徴と整合させることで異常を見つける。 しかし、これらの手法はほとんど常に、視覚的特徴における本質的な文脈情報を無視する、例えば、異なる視覚層間の相互作用関係は、異常を包括的に検出するための重要な手がかりである。 そこで我々は,FSADの視覚的特徴間の相互関係を推論し,KAG-promptと呼ばれるカーネル対応グラフプロンプト学習フレームワークを提案する。 特に、カーネルを意識した階層グラフは、異なる大きさの異常領域をノードとして注目する異なる層の特徴を取り入れ、一方、任意のノードのペア間の関係はグラフのエッジに立つ。 このグラフ上のメッセージパッシングにより、KAG-promptは層間コンテキスト情報をキャプチャし、より正確な異常予測を行うことができる。 さらに、予測マップに複数の重要な異常信号の情報を統合するために、多レベル情報融合に基づく新しい画像レベルスコアリング手法を提案する。 MVTecADとVisAデータセットの大規模な実験は、KAG-promptが画像レベル/ピクセルレベルの異常検出のために最先端のFSAD結果を達成することを示している。 コードはhttps://github.com/CVL-hub/KAG-prompt.gitで公開されている。

関連論文リスト

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• 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)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information [15.845749788061003]
  グラフ異常検出のための多視点融合手法(Mul-GAD)を提案する。 ビューレベルの融合は異なるビュー間の重要度を捉え、特徴レベルの融合は補完情報を完全に活用する。 他の最先端検出手法と比較して、ほとんどのシナリオにおいて検出性能と一般化が向上する。
  論文  参考訳（メタデータ） (2022-12-11T11:34:34Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。