論文の概要: BenchReAD: A systematic benchmark for retinal anomaly detection
- arxiv url: http://arxiv.org/abs/2507.10492v1
- Date: Mon, 14 Jul 2025 17:13:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 20:53:35.15489
- Title: BenchReAD: A systematic benchmark for retinal anomaly detection
- Title（参考訳）: BenchReAD:網膜異常検出のための系統的ベンチマーク
- Authors: Chenyu Lian, Hong-Yu Zhou, Zhanli Hu, Jing Qin,
- Abstract要約: データとアルゴリズムの観点から総合的かつ体系的な網膜異常検出のためのベンチマークを導入する。
異常の非交叉表現(DRA)を利用した完全教師付きアプローチは、最高の性能を達成できるが、ある異常な異常に遭遇した場合、性能が著しく低下する。
本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和するNFM-DRAを提案する。
- 参考スコア（独自算出の注目度）: 23.15668882564837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal anomaly detection plays a pivotal role in screening ocular and systemic diseases. Despite its significance, progress in the field has been hindered by the absence of a comprehensive and publicly available benchmark, which is essential for the fair evaluation and advancement of methodologies. Due to this limitation, previous anomaly detection work related to retinal images has been constrained by (1) a limited and overly simplistic set of anomaly types, (2) test sets that are nearly saturated, and (3) a lack of generalization evaluation, resulting in less convincing experimental setups. Furthermore, existing benchmarks in medical anomaly detection predominantly focus on one-class supervised approaches (training only with negative samples), overlooking the vast amounts of labeled abnormal data and unlabeled data that are commonly available in clinical practice. To bridge these gaps, we introduce a benchmark for retinal anomaly detection, which is comprehensive and systematic in terms of data and algorithm. Through categorizing and benchmarking previous methods, we find that a fully supervised approach leveraging disentangled representations of abnormalities (DRA) achieves the best performance but suffers from significant drops in performance when encountering certain unseen anomalies. Inspired by the memory bank mechanisms in one-class supervised learning, we propose NFM-DRA, which integrates DRA with a Normal Feature Memory to mitigate the performance degradation, establishing a new SOTA. The benchmark is publicly available at https://github.com/DopamineLcy/BenchReAD.
- Abstract（参考訳）: 網膜異常検出は眼疾患や全身疾患のスクリーニングにおいて重要な役割を担っている。
その重要性にもかかわらず、この分野の進歩は、方法論の公正な評価と進歩に不可欠である包括的かつ一般公開されたベンチマークが欠如していることによって妨げられている。
この制限により、網膜画像に関連する以前の異常検出作業は、(1)限定的で過度に単純化された異常型のセット、(2)ほぼ飽和したテストセット、(3)一般化評価の欠如によって制限されており、その結果、信頼性の低い実験装置が実現されている。
さらに、医学的異常検出の既存のベンチマークでは、主に一級監督的アプローチ(負のサンプルのみを訓練する)に焦点が当てられ、大量のラベル付き異常データと、一般的に臨床で利用できる未ラベルデータを見越している。
これらのギャップを埋めるために、我々は、データとアルゴリズムの点で包括的で体系的な網膜異常検出のベンチマークを導入する。
従来手法の分類とベンチマークにより,異常の非交叉表現(DRA)を利用した完全教師付きアプローチが最高の性能を達成できるが,特定の異常に遭遇する際の性能低下に悩まされていることがわかった。
本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和し,新たなSOTAを確立するNFM-DRAを提案する。
ベンチマークはhttps://github.com/DopamineLcy/BenchReADで公開されている。
関連論文リスト
- Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。
提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
論文 参考訳（メタデータ） (2024-11-14T16:10:15Z) - ATAC-Net: Zoomed view works better for Anomaly Detection [1.024113475677323]
ATAC-Netは、既知の最小限の事前異常から異常を検出する訓練を行うフレームワークである。
我々は、その優位性を、同等の設定で現在の最先端技術と比較する。
論文 参考訳（メタデータ） (2024-06-20T15:18:32Z) - 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の総合的な視覚異常検出ベンチマークを提案する。
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) - 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) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T02:36:19Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - 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) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳（メタデータ） (2021-05-16T03:55:02Z) - OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。
3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文 参考訳（メタデータ） (2020-01-18T09:57:37Z)
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。