論文の概要: Toward Long-Tailed Online Anomaly Detection through Class-Agnostic Concepts

• arxiv url: http://arxiv.org/abs/2507.16946v1
• Date: Tue, 22 Jul 2025 18:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.73913
• Title: Toward Long-Tailed Online Anomaly Detection through Class-Agnostic Concepts
• Title（参考訳）: クラス非依存概念による長期オンライン異常検出に向けて
• Authors: Chiao-An Yang, Kuan-Chuan Peng, Raymond A. Yeh,
• Abstract要約: 異常検出(AD)は、所定の画像の欠陥領域を特定する。 最近の研究はADを研究し、異常な画像のないADの学習、長い尾の分散トレーニングデータ、および全てのクラスに統一モデルを用いている。 オンラインAD学習も検討されている。
• 参考スコア（独自算出の注目度）: 21.941192310611356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) identifies the defect regions of a given image. Recent works have studied AD, focusing on learning AD without abnormal images, with long-tailed distributed training data, and using a unified model for all classes. In addition, online AD learning has also been explored. In this work, we expand in both directions to a realistic setting by considering the novel task of long-tailed online AD (LTOAD). We first identified that the offline state-of-the-art LTAD methods cannot be directly applied to the online setting. Specifically, LTAD is class-aware, requiring class labels that are not available in the online setting. To address this challenge, we propose a class-agnostic framework for LTAD and then adapt it to our online learning setting. Our method outperforms the SOTA baselines in most offline LTAD settings, including both the industrial manufacturing and the medical domain. In particular, we observe +4.63% image-AUROC on MVTec even compared to methods that have access to class labels and the number of classes. In the most challenging long-tailed online setting, we achieve +0.53% image-AUROC compared to baselines. Our LTOAD benchmark is released here: https://doi.org/10.5281/zenodo.16283852 .
• Abstract（参考訳）: 異常検出(AD)は、所定の画像の欠陥領域を特定する。 最近の研究はADを研究し、異常な画像のないADの学習に焦点を合わせ、長い尾の分散トレーニングデータを使用し、全てのクラスに統一モデルを用いている。 また、オンラインAD学習も検討されている。 本研究では,LTOAD(Long-tailed Online AD)の新たな課題を考慮し,両方向をリアルな設定に拡張する。 まず,オフラインの LTAD 手法がオンライン設定に直接適用できないことを確認した。 具体的には、LTADはクラス対応であり、オンライン設定では利用できないクラスラベルを必要とする。 この課題に対処するため,我々はLTADのクラスに依存しないフレームワークを提案し,それをオンライン学習環境に適応させる。 本手法は,産業用および医療用領域を含むほとんどのオフラインLTAD設定において,SOTAベースラインよりも優れる。 特に、MVTec上の+4.63%のイメージAUROCを、クラスラベルやクラス数にアクセスできるメソッドと比較しても観察する。 最も困難なロングテールオンライン環境では、ベースラインに比べて0.53%のイメージAUROCを実現しています。 我々のLTOADベンチマークは以下にリリースされている。

関連論文リスト

• Long-Tailed Anomaly Detection with Learnable Class Names [64.79139468331807]
  性能評価のためのクラス不均衡とメトリクスのレベルが異なるデータセットをいくつか導入する。 次に、データセットのクラス名に頼ることなく、複数の長い尾を持つクラスから欠陥を検出する新しい手法LTADを提案する。 LTADは、ほとんどの形式のデータセットの不均衡に対して最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-29T15:26:44Z)
• ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving [96.92499034935466]
  自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:07Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• AD-CLIP: Adapting Domains in Prompt Space Using CLIP [11.836764044083257]
  ドメインに依存しないCLIPのプロンプト学習戦略であるtextscAD-CLIPを導入する。 我々のプロンプトは、画像スタイルとコンテンツの特徴を同時に学習することで、ドメイン不変でクラス一般化できるように設計されている。 3つのベンチマークDAデータセットに対する実験により,既存の文献と比較して,textscAD-CLIPの有効性が示された。
  論文  参考訳（メタデータ） (2023-08-10T15:58:28Z)
• Towards Long-Tailed 3D Detection [56.82185415482943]
  本研究では,Long-Tailed 3D Detection (LT3D) の課題について検討した。 各クラスの平均APは5%改善し,レアクラスのAPは劇的に改善した。
  論文  参考訳（メタデータ） (2022-11-16T06:00:47Z)
• Self Supervision to Distillation for Long-Tailed Visual Recognition [34.29744530188875]
  我々は,ラベル相関を長期認識のための多段階学習手法に組み込むための強力な手法として,ソフトラベルが有効であることを示す。 具体的には、概念的にシンプルであるが、特に有効である多段階トレーニングスキームを、自監督蒸留(SSD)と呼ぶ。 提案手法は,ImageNet-LT, CIFAR100-LT, iist 2018の3つの長尾認識ベンチマークに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-09-09T07:38:30Z)
• Online Continual Adaptation with Active Self-Training [69.5815645379945]
  本研究では,ラベルなしサンプルと限定ラベルのアクティブクエリの両方を用いて,学習者が変化に継続的に適応することを目的としたオンライン環境を提案する。 Online Self-Adaptive Mirror Descent (OSAMD)は、未ラベルのデータからオンラインの自己学習を可能にするオンライン教師学生構造を採用している。 我々は,OSAMDが実世界とシミュレーションデータの両方に限定されたラベルを持つ環境変化下で,好意的な後悔を達成していることを示す。
  論文  参考訳（メタデータ） (2021-06-11T17:51:25Z)
• Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
  リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。 本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T08:52:15Z)

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。