論文の概要: TailedCore: Few-Shot Sampling for Unsupervised Long-Tail Noisy Anomaly Detection

• arxiv url: http://arxiv.org/abs/2504.02775v1
• Date: Thu, 03 Apr 2025 17:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:57:35.525820
• Title: TailedCore: Few-Shot Sampling for Unsupervised Long-Tail Noisy Anomaly Detection
• Title（参考訳）: TailedCore: 教師なしロングテールノイズ異常検出のためのFew-Shotサンプリング
• Authors: Yoon Gyo Jung, Jaewoo Park, Jaeho Yoon, Kuan-Chuan Peng, Wonchul Kim, Andrew Beng Jin Teoh, Octavia Camps,
• Abstract要約: メモリベースの異常検出モデルであるTailedCore を構築した。 教師なし長尾雑音検出設定におけるTailedCore の有効性を広範囲に検証し,ほとんどの設定において TailedCore が最先端技術よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 20.328110919549466
• License:
• Abstract: We aim to solve unsupervised anomaly detection in a practical challenging environment where the normal dataset is both contaminated with defective regions and its product class distribution is tailed but unknown. We observe that existing models suffer from tail-versus-noise trade-off where if a model is robust against pixel noise, then its performance deteriorates on tail class samples, and vice versa. To mitigate the issue, we handle the tail class and noise samples independently. To this end, we propose TailSampler, a novel class size predictor that estimates the class cardinality of samples based on a symmetric assumption on the class-wise distribution of embedding similarities. TailSampler can be utilized to sample the tail class samples exclusively, allowing to handle them separately. Based on these facets, we build a memory-based anomaly detection model TailedCore, whose memory both well captures tail class information and is noise-robust. We extensively validate the effectiveness of TailedCore on the unsupervised long-tail noisy anomaly detection setting, and show that TailedCore outperforms the state-of-the-art in most settings.
• Abstract（参考訳）: 正常なデータセットが欠陥領域で汚染され,製品クラス分布が尾行されているが未知な,現実的な困難な環境下での教師なし異常検出の解決を目指す。 既存のモデルでは、画素ノイズに対して頑健な場合、その性能がテールクラスのサンプルで低下し、その逆の場合、テール・バイス・ノイズのトレードオフに悩まされている。 この問題を緩和するために、我々は個別にテールクラスとノイズサンプルを扱います。 そこで本研究では,組込み類似性のクラスワイド分布に関する対称仮定に基づいて,サンプルのクラス濃度を推定する新しいクラスサイズ予測器であるTailSamplerを提案する。 TailSamplerはテールクラスのサンプルのみをサンプリングするために使用することができ、個別に処理することができる。 これらのファセットに基づいて,メモリベースの異常検出モデルであるTailedCore を構築した。 教師なし長尾雑音検出設定におけるTailedCore の有効性を広範囲に検証し,ほとんどの設定において TailedCore が最先端技術よりも優れていることを示す。

関連論文リスト

• MULDE: Multiscale Log-Density Estimation via Denoising Score Matching for Video Anomaly Detection [15.72443573134312]
  本研究では,ビデオから抽出した特徴ベクトルを,固定分布を持つランダム変数の実現として扱う。 我々は、デノナイジングスコアマッチングの修正を用いて、ビデオ異常検出装置を訓練する。 5つの人気ビデオ異常検出ベンチマーク実験により,最先端の性能が示された。
  論文  参考訳（メタデータ） (2024-03-21T15:46:19Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Hybrid Open-set Segmentation with Synthetic Negative Data [0.0]
  開集合セグメンテーションは、閉集合分類と異常検出を補完することで実現できる。 生成的および識別的手がかりを融合させる新しい異常スコアを提案する。 実験では、計算オーバーヘッドが無視できないにもかかわらず、強力なオープンセット性能を示す。
  論文  参考訳（メタデータ） (2023-01-19T11:02:44Z)
• Normalizing Flows for Human Pose Anomaly Detection [14.540314605022791]
  我々は,人間のポーズの異常検出に問題を蒸留し,その結果に影響を及ぼす外観などのパラメータのリスクを低減させる。 我々のモデルは人間のポーズグラフのシーケンスを直接処理し、非常に軽量(1Kパラメータ)である。 我々は,教師なし上海技術データセットと教師なしUB正規データセットという,2つの異常検出ベンチマークの最先端結果を報告する。
  論文  参考訳（メタデータ） (2022-11-20T11:02:50Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
  本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。 具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:47:05Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Feature Generation for Long-tail Classification [36.186909933006675]
  そこで本研究では,テールカテゴリーの分布を推定して有意義な特徴を生成する方法を示す。 また、t-SNE視覚化を用いて生成した特徴の質的分析を行い、末尾クラス分布のキャリブレーションに最も近い隣人を解析する。
  論文  参考訳（メタデータ） (2021-11-10T21:34:29Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。