論文の概要: HSS-IAD: A Heterogeneous Same-Sort Industrial Anomaly Detection Dataset
- arxiv url: http://arxiv.org/abs/2504.12689v1
- Date: Thu, 17 Apr 2025 06:31:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 14:36:57.012376
- Title: HSS-IAD: A Heterogeneous Same-Sort Industrial Anomaly Detection Dataset
- Title（参考訳）: HSS-IAD:異種同種産業用異常検出データセット
- Authors: Qishan Wang, Shuyong Gao, Junjie Hu, Jiawen Yu, Xuan Tong, You Li, Wenqiang Zhang,
- Abstract要約: 異種同種産業異常検出データセットについて紹介する。
このデータセットは、金属のような産業部品の8,580枚の画像と正確な異常アノテーションを含んでいる。
我々は,このデータセット上で,マルチクラスおよびクラス分離設定下でのIAD手法の評価を行った。
- 参考スコア（独自算出の注目度）: 24.567315065147824
- License:
- Abstract: Multi-class Unsupervised Anomaly Detection algorithms (MUAD) are receiving increasing attention due to their relatively low deployment costs and improved training efficiency. However, the real-world effectiveness of MUAD methods is questioned due to limitations in current Industrial Anomaly Detection (IAD) datasets. These datasets contain numerous classes that are unlikely to be produced by the same factory and fail to cover multiple structures or appearances. Additionally, the defects do not reflect real-world characteristics. Therefore, we introduce the Heterogeneous Same-Sort Industrial Anomaly Detection (HSS-IAD) dataset, which contains 8,580 images of metallic-like industrial parts and precise anomaly annotations. These parts exhibit variations in structure and appearance, with subtle defects that closely resemble the base materials. We also provide foreground images for synthetic anomaly generation. Finally, we evaluate popular IAD methods on this dataset under multi-class and class-separated settings, demonstrating its potential to bridge the gap between existing datasets and real factory conditions. The dataset is available at https://github.com/Qiqigeww/HSS-IAD-Dataset.
- Abstract（参考訳）: MUAD (Multi-class Unsupervised Anomaly Detection Algorithm) は比較的低い展開コストと訓練効率の改善により注目されている。
しかし,現在の産業異常検出(IAD)データセットの限界により,MUAD法の現実的有効性は疑問視されている。
これらのデータセットには、同じファクトリで生成できない多数のクラスが含まれており、複数の構造や外観をカバーできない。
さらに、欠陥は現実世界の特徴を反映していない。
そこで本研究では,金属様産業部品の8,580枚の画像と正確な異常アノテーションを含む異種同種産業異常検出(HSS-IAD)データセットについて紹介する。
これらの部品は構造や外観に変化があり、基材によく似た微妙な欠陥がある。
合成異常生成のための前景画像も提供する。
最後に、マルチクラスおよびクラス分離された設定下で、このデータセット上で一般的なIADメソッドを評価し、既存のデータセットと実際の工場条件とのギャップを埋める可能性を示す。
データセットはhttps://github.com/Qiqigeww/HSS-IAD-Datasetで公開されている。
関連論文リスト
- Deep evolving semi-supervised anomaly detection [14.027613461156864]
本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。
本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
論文 参考訳（メタデータ） (2024-12-01T15:48:37Z) - VMAD: Visual-enhanced Multimodal Large Language Model for Zero-Shot Anomaly Detection [19.79027968793026]
Zero-shot Anomaly Detection (ZSAD)は、未確認のオブジェクト内の異常を認識し、ローカライズする。
既存のZSADメソッドは、クローズドワールド設定によって制限され、事前に定義されたプロンプトで見つからない欠陥に苦労する。
我々は、視覚的IAD知識ときめ細かい知覚でMLLMを強化する新しいフレームワークVMAD(Visual-enhanced MLLM Anomaly Detection)を提案する。
論文 参考訳（メタデータ） (2024-09-30T09:51:29Z) - Texture-AD: An Anomaly Detection Dataset and Benchmark for Real Algorithm Development [8.290951816115887]
代表的なテクスチャに基づく異常検出に基づくTexture-ADベンチマークを提案する。
このデータセットには、15の異なる布、14の半導体ウェハ、10の金属板の画像が含まれている。
私たちの知る限り、Texture-ADは、産業的欠陥検出アルゴリズムを実世界で評価するための最初のデータセットです。
論文 参考訳（メタデータ） (2024-09-10T09:44:38Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。
30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。
このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
論文 参考訳（メタデータ） (2024-03-19T09:44:41Z) - 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) - Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and
Masked Multi-scale Reconstruction [2.921945366485149]
産業品質検査の自動化には,産業異常検出(IAD)が不可欠である。
既存のIADデータセットは、データカテゴリの多様性に重点を置いている。
本稿では,2つのサブデータセットからなるエアロエンジンブレード異常検出(AeBAD)データセットを提案する。
論文 参考訳（メタデータ） (2023-04-05T04:07:54Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。