論文の概要: Memory-Augmented Dual-Decoder Networks for Multi-Class Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2504.14884v1
• Date: Mon, 21 Apr 2025 06:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 19:21:55.432846
• Title: Memory-Augmented Dual-Decoder Networks for Multi-Class Unsupervised Anomaly Detection
• Title（参考訳）: マルチクラス非教師付き異常検出のためのメモリ拡張デュアルデコーダネットワーク
• Authors: Jingyu Xing, Chenwei Tang, Tao Wang, Rong Xiao, Wei Ju, Ji-Zhe Zhou, Liangli Zhen, Jiancheng Lv,
• Abstract要約: メモリ拡張デュアルデコーダネットワーク(MDD-Net)を提案する。 このネットワークには、Dual-Decoder Reverse Distillation Network (DRD-Net)とClass-Aware Memory Module (CMM)の2つの重要なコンポーネントが含まれている。 2つのデコーダが生成する特徴の相違を利用して,従来のエンコーダ-デコーダ比較パラダイムを超えた異常スコアを改良する。
• 参考スコア（独自算出の注目度）: 21.341378704908333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in unsupervised anomaly detection (UAD) have shifted from single-class to multi-class scenarios. In such complex contexts, the increasing pattern diversity has brought two challenges to reconstruction-based approaches: (1) over-generalization: anomalies that are subtle or share compositional similarities with normal patterns may be reconstructed with high fidelity, making them difficult to distinguish from normal instances; and (2) insufficient normality reconstruction: complex normal features, such as intricate textures or fine-grained structures, may not be faithfully reconstructed due to the model's limited representational capacity, resulting in false positives. Existing methods typically focus on addressing the former, which unintentionally exacerbate the latter, resulting in inadequate representation of intricate normal patterns. To concurrently address these two challenges, we propose a Memory-augmented Dual-Decoder Networks (MDD-Net). This network includes two critical components: a Dual-Decoder Reverse Distillation Network (DRD-Net) and a Class-aware Memory Module (CMM). Specifically, the DRD-Net incorporates a restoration decoder designed to recover normal features from synthetic abnormal inputs and an identity decoder to reconstruct features that maintain the anomalous semantics. By exploiting the discrepancy between features produced by two decoders, our approach refines anomaly scores beyond the conventional encoder-decoder comparison paradigm, effectively reducing false positives and enhancing localization accuracy. Furthermore, the CMM explicitly encodes and preserves class-specific normal prototypes, actively steering the network away from anomaly reconstruction. Comprehensive experimental results across several benchmarks demonstrate the superior performance of our MDD-Net framework over current SoTA approaches in multi-class UAD tasks.
• Abstract（参考訳）: 教師なし異常検出(UAD)の最近の進歩は、シングルクラスからマルチクラスに移行している。 このような複雑な文脈において、パターンの多様性の増大は、再構築に基づくアプローチに2つの課題をもたらしている:(1)過一般化: 微妙な、あるいは通常のパターンと構成的類似性を共有する異常は、高忠実度で再構成され、通常の事例と区別することが困難になる; (2) 正常性再構成: 複雑なテクスチャやきめ細かな構造のような複雑な正常な特徴は、モデルが限られた表現能力のために忠実に再構成されず、偽陽性となる。 既存の手法は通常、前者への対処に重点を置いており、後者は意図せず悪化し、結果として複雑な正規パターンの表現が不十分になる。 これら2つの課題を同時に解決するために,メモリ拡張Dual-Decoder Networks (MDD-Net)を提案する。 このネットワークには、Dual-Decoder Reverse Distillation Network (DRD-Net)とClass-aware Memory Module (CMM)の2つの重要なコンポーネントが含まれている。 具体的には、DRD-Netは、合成異常入力から正常な特徴を回復するために設計された復元デコーダと、異常なセマンティクスを維持する特徴を再構成するアイデンティティデコーダを組み込んでいる。 2つのデコーダが生成する特徴の相違を利用して、従来のエンコーダ-デコーダ比較パラダイムを超えて異常スコアを洗練し、偽陽性を効果的に低減し、ローカライズ精度を向上させる。 さらに、CMMは、クラス固有の通常のプロトタイプを明示的にエンコードし、保存し、ネットワークを異常な再構築から遠ざけている。 マルチクラスUADタスクにおける現在のSoTAアプローチよりもMDD-Netフレームワークの方が優れた性能を示している。

関連論文リスト

• Feature Purified Transformer With Cross-level Feature Guiding Decoder For Multi-class OOD and Anomaly Deteciton [22.59400036717643]
  本稿では,FPM(Feature Purification Module)とCFGデコーダの2つの革新的なモジュールを組み込んだFUTUREGフレームワークを紹介する。 FPMは、潜在空間内の正規性境界を制約し、異常な特徴を効果的にフィルタリングする。 CFGデコーダは層単位でのエンコーダ表現を使用してフィルタされた特徴の再構築を誘導し、きめ細かい詳細を保存する。
  論文  参考訳（メタデータ） (2024-04-30T16:45:51Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Refine, Discriminate and Align: Stealing Encoders via Sample-Wise Prototypes and Multi-Relational Extraction [57.16121098944589]
  RDAは、事前訓練されたエンコーダを盗むために、以前の取り組みで普及した2つの主要な欠陥に対処するために設計された先駆的なアプローチである。 これは、サンプルの様々な視点に対してターゲットエンコーダの表現を統一するサンプルワイドプロトタイプによって達成される。 より強力な有効性を得るために、我々はサロゲートエンコーダを訓練し、ミスマッチした埋め込み-プロトタイプペアを識別するマルチリレーショナル抽出損失を開発する。
  論文  参考訳（メタデータ） (2023-12-01T15:03:29Z)
• MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual Variational Generative Adversarial Network [7.889342625283858]
  深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。 本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。 中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
  論文  参考訳（メタデータ） (2023-11-04T11:19:03Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks [35.93516937521393]
  本稿では,マルチビュー・コントラッシブ・ラーニング・ベース・モジュールと属性再構成・ベース・モジュールを併用して,属性付きネットワーク上の異常をより正確に検出する自己教師付き学習フレームワークを提案する。 5つのベンチマークデータセットで行った実験は、我々のモデルが現在の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T11:35:32Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection [40.778313918994996]
  再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。 本研究では,画像の再構成を分割組立手順として解釈する。 我々は、挑戦的なMVTec ADデータセット上で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） (2021-07-28T01:14:32Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
  両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。 多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。 さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
  論文  参考訳（メタデータ） (2020-07-16T02:00:53Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。