論文の概要: AA-CLIP: Enhancing Zero-shot Anomaly Detection via Anomaly-Aware CLIP

• arxiv url: http://arxiv.org/abs/2503.06661v1
• Date: Sun, 09 Mar 2025 15:22:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:51:47.053500
• Title: AA-CLIP: Enhancing Zero-shot Anomaly Detection via Anomaly-Aware CLIP
• Title（参考訳）: AA-CLIP: 異常認識CLIPによるゼロショット異常検出の強化
• Authors: Wenxin Ma, Xu Zhang, Qingsong Yao, Fenghe Tang, Chenxu Wu, Yingtai Li, Rui Yan, Zihang Jiang, S. Kevin Zhou,
• Abstract要約: 異常検出(AD)は、欠陥検出や病変検出などの応用における異常値を特定する。 テキストおよび視覚空間におけるCLIPの異常識別能力を向上するAnomaly-Aware CLIP (AA-CLIP)を提案する。 AA-CLIPは単純だが効果的な2段階アプローチによって実現される。
• 参考スコア（独自算出の注目度）: 33.213400694016
• License:
• Abstract: Anomaly detection (AD) identifies outliers for applications like defect and lesion detection. While CLIP shows promise for zero-shot AD tasks due to its strong generalization capabilities, its inherent Anomaly-Unawareness leads to limited discrimination between normal and abnormal features. To address this problem, we propose Anomaly-Aware CLIP (AA-CLIP), which enhances CLIP's anomaly discrimination ability in both text and visual spaces while preserving its generalization capability. AA-CLIP is achieved through a straightforward yet effective two-stage approach: it first creates anomaly-aware text anchors to differentiate normal and abnormal semantics clearly, then aligns patch-level visual features with these anchors for precise anomaly localization. This two-stage strategy, with the help of residual adapters, gradually adapts CLIP in a controlled manner, achieving effective AD while maintaining CLIP's class knowledge. Extensive experiments validate AA-CLIP as a resource-efficient solution for zero-shot AD tasks, achieving state-of-the-art results in industrial and medical applications. The code is available at https://github.com/Mwxinnn/AA-CLIP.
• Abstract（参考訳）: 異常検出(AD)は、欠陥検出や病変検出などの応用における異常値を特定する。 CLIPは、強力な一般化能力のため、ゼロショットADタスクを約束するが、固有の異常認識は、正常な特徴と異常な特徴の区別を限定する。 この問題を解決するために,テキストと視覚空間におけるCLIPの異常識別能力を向上し,その一般化能力を保ちながら,Anomaly-Aware CLIP (AA-CLIP)を提案する。 AA-CLIPは、まず、正常および異常なセマンティクスを明確に区別するために、異常を認識したテキストアンカーを作成し、その後、パッチレベルの視覚的特徴をこれらのアンカーと整列して、正確な異常なローカライゼーションを行う。 この2段階の戦略は、残ったアダプタの助けを借りて、CLIPのクラス知識を維持しながら効果的なADを達成するために、徐々に制御された方法でCLIPを適応させる。 AA-CLIPをゼロショットADタスクのための資源効率の高いソリューションとして検証し、工業および医療応用における最先端の成果を達成する。 コードはhttps://github.com/Mwxinnn/AA-CLIPで入手できる。

関連論文リスト

• KAnoCLIP: Zero-Shot Anomaly Detection through Knowledge-Driven Prompt Learning and Enhanced Cross-Modal Integration [9.688664292809785]
  ゼロショット異常検出(ZSAD)は、ターゲットデータセットからのトレーニングサンプルを必要とせずに、異常を識別する。 CLIPのようなビジョン言語モデルはZSADに潜在的な可能性を示すが、制限がある。 視覚言語モデルを活用した新しいZSADフレームワークであるKAnoCLIPを紹介する。 KAnoCLIPは、12の産業および医療データセットにわたるZSADの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-07T13:51:41Z)
• C2P-CLIP: Injecting Category Common Prompt in CLIP to Enhance Generalization in Deepfake Detection [98.34703790782254]
  本稿では、カテゴリ共通プロンプトCLIPを紹介し、カテゴリ共通プロンプトをテキストエンコーダに統合し、カテゴリ関連概念をイメージエンコーダに注入する。 提案手法は,テスト中に追加パラメータを導入することなく,元のCLIPと比較して検出精度が12.41%向上した。
  論文  参考訳（メタデータ） (2024-08-19T02:14:25Z)
• AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection [14.916862007773341]
  本研究では,事前学習型視覚言語モデル(VLM)であるCLIPを利用して,ZSADタスクのためのAdaCLIPを提案する。 AdaCLIPは学習可能なプロンプトをCLIPに組み込み、補助的な注釈付き異常検出データのトレーニングを通じて最適化する。 AdaCLIPは他のZSAD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T16:52:37Z)
• BadCLIP: Trigger-Aware Prompt Learning for Backdoor Attacks on CLIP [55.33331463515103]
  BadCLIPは、CLIPに対するバックドア攻撃において、新しく効果的なメカニズムの上に構築されている。 画像に適用される学習可能なトリガーとトリガー対応コンテキストジェネレータで構成されており、トリガーはトリガー対応プロンプトを通じてテキスト機能を変更することができる。
  論文  参考訳（メタデータ） (2023-11-26T14:24:13Z)
• Bootstrap Fine-Grained Vision-Language Alignment for Unified Zero-Shot Anomaly Localization [63.61093388441298]
  対照的な言語-画像事前学習モデルは、ゼロショット視覚認識タスクで有望なパフォーマンスを示した。 本研究では,ゼロショット異常局所化のためのAnoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-08-30T10:35:36Z)
• VadCLIP: Adapting Vision-Language Models for Weakly Supervised Video Anomaly Detection [58.47940430618352]
  弱教師付きビデオ異常検出(WSVAD)のための新しいパラダイムであるVadCLIPを提案する。 VadCLIPは、CLIPの強度に関する視覚と言語の間のきめ細かい関連をフル活用している。 本稿では,VadCLIPが粗粒度および細粒度 WSVAD の両面において最高の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-08-22T14:58:36Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)

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。