論文の概要: One-to-Normal: Anomaly Personalization for Few-shot Anomaly Detection
- arxiv url: http://arxiv.org/abs/2502.01201v1
- Date: Mon, 03 Feb 2025 09:49:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:59:25.904848
- Title: One-to-Normal: Anomaly Personalization for Few-shot Anomaly Detection
- Title(参考訳): One-to-Normal:Few-shot Anomaly Detectionのための異常パーソナライゼーション
- Authors: Yiyue Li, Shaoting Zhang, Kang Li, Qicheng Lao,
- Abstract要約: 本稿では,問合せ画像のパーソナライズされた1対正規変換を行う異常パーソナライズ手法を提案する。
また,クエリと生成した異常なデータプールとの包括的比較と情報伝達を行う3重対照的な異常推論戦略を提案する。
提案手法は,他のAD手法に柔軟に転送できることが証明され,生成した画像データは,他のAD手法の性能を効果的に向上する。
- 参考スコア(独自算出の注目度): 15.782992908061736
- License:
- Abstract: Traditional Anomaly Detection (AD) methods have predominantly relied on unsupervised learning from extensive normal data. Recent AD methods have evolved with the advent of large pre-trained vision-language models, enhancing few-shot anomaly detection capabilities. However, these latest AD methods still exhibit limitations in accuracy improvement. One contributing factor is their direct comparison of a query image's features with those of few-shot normal images. This direct comparison often leads to a loss of precision and complicates the extension of these techniques to more complex domains--an area that remains underexplored in a more refined and comprehensive manner. To address these limitations, we introduce the anomaly personalization method, which performs a personalized one-to-normal transformation of query images using an anomaly-free customized generation model, ensuring close alignment with the normal manifold. Moreover, to further enhance the stability and robustness of prediction results, we propose a triplet contrastive anomaly inference strategy, which incorporates a comprehensive comparison between the query and generated anomaly-free data pool and prompt information. Extensive evaluations across eleven datasets in three domains demonstrate our model's effectiveness compared to the latest AD methods. Additionally, our method has been proven to transfer flexibly to other AD methods, with the generated image data effectively improving the performance of other AD methods.
- Abstract(参考訳): 従来の異常検出(AD)法は、広範囲な正規データからの教師なし学習に大きく依存している。
最近のAD法は、大規模な事前訓練された視覚言語モデルの出現によって進化し、数発の異常検出能力が向上した。
しかし、これらの最新のAD手法は精度改善の限界をまだ示している。
コントリビューション要因の1つは、クエリイメージの機能を、数ショットの通常のイメージと直接比較することである。
この直接比較はしばしば精度の低下を招き、これらのテクニックをより複雑な領域へと拡張する。
このような制約に対処するために、異常なパーソナライズ手法を導入し、異常のないカスタマイズされた生成モデルを用いてクエリ画像のパーソナライズされた1対1の正規変換を行い、正規多様体との密接な整合性を確保する。
さらに,予測結果の安定性とロバスト性をさらに向上するため,クエリと生成した異常なデータプールとの総合的な比較を組み込んだ3重対照的な異常推論戦略を提案する。
3つの領域における11のデータセットに対する大規模な評価は、最新のAD手法と比較して、我々のモデルの有効性を示している。
さらに,本手法は他のAD手法に柔軟に転送できることが証明され,生成した画像データによって他のAD手法の性能が向上することが確認された。
関連論文リスト
- Finding Pegasus: Enhancing Unsupervised Anomaly Detection in High-Dimensional Data using a Manifold-Based Approach [0.0]
本稿では, 理想化された図形 "Finding Pegasus" と, 教師なし異常検出手法を分類した新しい形式的枠組みを提案する。
次に、この知見を用いて、高DRの状況において精度を犠牲にすることなくADリコールを大幅に向上させるAD手法を組み合わせるアプローチを開発する。
論文 参考訳(メタデータ) (2025-02-06T18:53:30Z) - Single-temporal Supervised Remote Change Detection for Domain Generalization [42.55492600157288]
変化検出はリモートセンシング画像解析に広く応用されている。
既存の方法はデータセットごとに個別にトレーニングモデルを必要とする。
本稿では,変化検出領域の一般化のための視覚遅延事前学習に基づくマルチモーダルコントラスト学習(ChangeCLIP)を提案する。
論文 参考訳(メタデータ) (2024-04-17T12:38:58Z) - Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation [12.625383613718636]
本稿では,雑音測定に基づいて,凸型ニューラルネットワークに基づく画像正規化項をトレーニングするために,最大限界推定を用いた教師なし手法を提案する。
実験により,提案手法は,様々な画像汚職操作者を対象とした類似の教師付きトレーニング手法と比較して,ほぼ競合する先行手法を生成することを示した。
論文 参考訳(メタデータ) (2024-04-08T12:27:00Z) - 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) - A Novel Mix-normalization Method for Generalizable Multi-source Person
Re-identification [49.548815417844786]
人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。
モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。
ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
論文 参考訳(メタデータ) (2022-01-24T18:09:38Z) - Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。
実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文 参考訳(メタデータ) (2021-12-10T20:46:13Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳(メタデータ) (2021-03-21T23:58:39Z) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳(メタデータ) (2021-03-05T01:56:58Z) - Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data
to Learn Robust and Invariant Representations [76.85274970052762]
元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。
本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。
私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-11-25T22:40:09Z) - Classification-Based Anomaly Detection for General Data [37.31168012111834]
我々は統一的な視点を示し、現在の仮定を緩和するオープンセット手法であるGOADを提案する。
我々は、ランダムアフィン変換を用いた非画像データへの変換に基づく手法の適用性を拡張する。
提案手法は最先端の精度を示し, 広範データ型に適用可能である。
論文 参考訳(メタデータ) (2020-05-05T17:44:40Z)
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。