Fugu-MT 論文翻訳(概要): Towards Accurate Unified Anomaly Segmentation

論文の概要: Towards Accurate Unified Anomaly Segmentation

arxiv url: http://arxiv.org/abs/2501.12295v1
Date: Tue, 21 Jan 2025 17:02:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:22:09.855886
Title: Towards Accurate Unified Anomaly Segmentation
Title（参考訳）: 高精度な統一された異常セグメンテーションを目指して
Authors: Wenxin Ma, Qingsong Yao, Xiang Zhang, Zhelong Huang, Zihang Jiang, S. Kevin Zhou,
Abstract要約: 画像からの教師なし異常検出(UAD)は、正常なデータ分布をモデル化し、異常を識別し、ローカライズするための離散表現を作成する。効率的で統一されたワン・フォー・オール・スキームの最近の進歩にもかかわらず、さらなる監視のために異常を正確にセグメント化することは困難である。未解決セグメンテーションタスクに対処するため,Unified Anomaly (UniAS)を導入する。 UniASは、MVTec-ADおよびVisAデータセット上のpAP/DSCで65.12/59.33と40.06/32.50という最先端の異常セグメンテーション性能を達成する。
参考スコア（独自算出の注目度）: 25.415671183061317
License:
Abstract: Unsupervised anomaly detection (UAD) from images strives to model normal data distributions, creating discriminative representations to distinguish and precisely localize anomalies. Despite recent advancements in the efficient and unified one-for-all scheme, challenges persist in accurately segmenting anomalies for further monitoring. Moreover, this problem is obscured by the widely-used AUROC metric under imbalanced UAD settings. This motivates us to emphasize the significance of precise segmentation of anomaly pixels using pAP and DSC as metrics. To address the unsolved segmentation task, we introduce the Unified Anomaly Segmentation (UniAS). UniAS presents a multi-level hybrid pipeline that progressively enhances normal information from coarse to fine, incorporating a novel multi-granularity gated CNN (MGG-CNN) into Transformer layers to explicitly aggregate local details from different granularities. UniAS achieves state-of-the-art anomaly segmentation performance, attaining 65.12/59.33 and 40.06/32.50 in pAP/DSC on the MVTec-AD and VisA datasets, respectively, surpassing previous methods significantly. The codes are shared at https://github.com/Mwxinnn/UniAS.
Abstract（参考訳）: 画像からの教師なし異常検出(UAD)は、正常なデータ分布をモデル化し、異常を識別し正確に局所化する識別表現を作成する。効率的で統一されたワン・フォー・オール・スキームの最近の進歩にもかかわらず、さらなる監視のために異常を正確にセグメント化することは困難である。さらに、この問題は、不均衡な UAD 設定下で広く使われている AUROC 測定値によって隠蔽される。これにより, pAP と DSC を指標として, 異常画素の正確なセグメンテーションの重要性を強調した。未解決セグメンテーションタスクに対処するため,Unified Anomaly Segmentation (UniAS)を導入する。 UniASは、粗いものから細かいものまで、徐々に通常の情報を強化するマルチレベルハイブリッドパイプラインを提供し、新しい多粒度ゲート付きCNN(MGG-CNN)をトランスフォーマー層に組み込んで、異なる粒度から局所的な詳細を明示的に集約する。 UniASは、MVTec-ADデータセットとVisAデータセットのpAP/DSCにおいて65.12/59.33と40.06/32.50という最先端の異常セグメンテーション性能を達成し、従来の手法をはるかに上回っている。コードはhttps://github.com/Mwxinnn/UniASで共有されている。

関連論文リスト

Interdependency Matters: Graph Alignment for Multivariate Time Series Anomaly Detection [30.101707763778013]
グラフアライメント(GA)問題として異常検出を再定義するMADGA(MTS Anomaly Detection via Graph Alignment)を提案する。 GAアプローチでは、ノードとエッジの両方を明示的にアライメントし、ノードはワッサーシュタイン距離、エッジはグロモフ=ワッサーシュタイン距離を用いる。多様な実世界のデータセットの実験は、MADGAの有効性を検証し、異常を検出し、相互依存を区別する能力を示す。
論文参考訳（メタデータ） (2024-10-11T14:54:08Z)
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)
FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization [31.854923603517264]
本稿では,新しいゼロショット異常検出法であるFiLoを提案する。 FiLoは、適応学習されたFG-Des(FG-Des)と位置強調された高品質なローカライゼーション(HQ-Loc)の2つのコンポーネントから構成される。 MVTecやVisAのようなデータセットの実験結果から、FiLoは検出とローカライゼーションの両方においてZSADの性能を大幅に向上することが示された。
論文参考訳（メタデータ） (2024-04-21T14:22:04Z)
Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-02-28T12:38:44Z)
Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文参考訳（メタデータ） (2024-01-25T13:07:34Z)
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)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。本稿では, 高精度な異常マスクを生成する手法を提案する。
論文参考訳（メタデータ） (2023-08-03T20:55:37Z)
Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文参考訳（メタデータ） (2022-05-09T05:06:58Z)
AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning [11.234583962952891]
本稿では、自己教師付き学習を用いて、正確な異常マップを直接生成できる新しい異常分割ネットワーク(AnoSeg)を提案する。高精度な異常セグメンテーションのために提案されたAnoSegは、3つの新しい手法を考察している。実験の結果,提案手法はMVTec ADデータセットに対して,最先端の異常検出および異常セグメンテーション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） (2021-10-07T12:36:36Z)
Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection [2.9864637081333085]
画像中の異常検出(AD)は、標準からかなり逸脱した画像や画像のサブ構造を特定することを指す。本研究では,大きな自然画像データセット上での識別モデルにより学習された深い特徴表現が,正規性を記述するのに適していることを示す。
論文参考訳（メタデータ） (2020-05-28T16:43:41Z)

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。