論文の概要: Multi-class Image Anomaly Detection for Practical Applications: Requirements and Robust Solutions

• arxiv url: http://arxiv.org/abs/2508.02477v1
• Date: Mon, 04 Aug 2025 14:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.383577
• Title: Multi-class Image Anomaly Detection for Practical Applications: Requirements and Robust Solutions
• Title（参考訳）: 応用のためのマルチクラス画像異常検出:要件とロバスト解
• Authors: Jaehyuk Heo, Pilsung Kang,
• Abstract要約: 異常検出のすべての要件を満たすために階層型コアセット(HierCore)を提案する。 HierCoreはクラスラベルなしでも効果的に動作し、階層型メモリバンクを利用してクラスワイド決定基準を推定する。 その結果、HierCoreはすべての要件を一貫して満たし、すべての設定で強力な安定したパフォーマンスを維持していることがわかった。
• 参考スコア（独自算出の注目度）: 3.647905567437244
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in image anomaly detection have extended unsupervised learning-based models from single-class settings to multi-class frameworks, aiming to improve efficiency in training time and model storage. When a single model is trained to handle multiple classes, it often underperforms compared to class-specific models in terms of per-class detection accuracy. Accordingly, previous studies have primarily focused on narrowing this performance gap. However, the way class information is used, or not used, remains a relatively understudied factor that could influence how detection thresholds are defined in multi-class image anomaly detection. These thresholds, whether class-specific or class-agnostic, significantly affect detection outcomes. In this study, we identify and formalize the requirements that a multi-class image anomaly detection model must satisfy under different conditions, depending on whether class labels are available during training and evaluation. We then re-examine existing methods under these criteria. To meet these challenges, we propose Hierarchical Coreset (HierCore), a novel framework designed to satisfy all defined requirements. HierCore operates effectively even without class labels, leveraging a hierarchical memory bank to estimate class-wise decision criteria for anomaly detection. We empirically validate the applicability and robustness of existing methods and HierCore under four distinct scenarios, determined by the presence or absence of class labels in the training and evaluation phases. The experimental results demonstrate that HierCore consistently meets all requirements and maintains strong, stable performance across all settings, highlighting its practical potential for real-world multi-class anomaly detection tasks.
• Abstract（参考訳）: 画像異常検出の最近の進歩は、教師なし学習に基づくモデルをシングルクラス設定からマルチクラスフレームワークに拡張し、トレーニング時間とモデル記憶の効率を向上させることを目指している。 1つのモデルが複数のクラスを扱うように訓練されている場合、クラス毎の検出精度の点で、クラス固有のモデルに比べて性能が劣ることが多い。 そのため、これまでの研究では、このパフォーマンスギャップを狭めることに重点を置いてきた。 しかし、クラス情報の使用方法や使用しない方法は、マルチクラス画像異常検出における検出しきい値の定義方法に影響を及ぼす可能性のある、比較的未検討の要因である。 これらの閾値は、クラス固有でもクラス非依存でも、検出結果に大きく影響する。 本研究では,マルチクラス画像異常検出モデルが,学習・評価中にクラスラベルが利用可能かどうかに応じて,異なる条件下で満たさなければならない要件を特定し,定式化する。 これらの基準の下で既存の手法を再検討する。 これらの課題に対処するために、すべての定義された要件を満たすように設計された新しいフレームワークであるHierarchical Coreset(HierCore)を提案する。 HierCoreは、クラスラベルなしでも効果的に動作し、階層型メモリバンクを利用して、異常検出のクラスワイド決定基準を推定する。 既存の手法とHierCoreの適用性と堅牢性を,トレーニングおよび評価フェーズにおけるクラスラベルの有無によって決定された4つの異なるシナリオで実証的に検証する。 実験の結果、HierCoreはすべての要件を一貫して満たし、すべての設定で強力な安定したパフォーマンスを維持しており、実世界のマルチクラスの異常検出タスクの現実的な可能性を強調している。

関連論文リスト

• Salvaging the Overlooked: Leveraging Class-Aware Contrastive Learning for Multi-Class Anomaly Detection [18.797864512898787]
  異常検出では、初期のアプローチは個々のクラスの別々のモデルを訓練し、高いパフォーマンスを得るが、スケーラビリティとリソース管理の課題を提起する。 本研究は, 階層間混乱を解消する手法として, 再構築手法で観測されたこの性能について検討する。 この混乱は、マルチクラスのシナリオで訓練されたモデルが、あるクラスのサンプルを別のクラスとして誤って再構成すると、再構成エラーが悪化する。 原対象のカテゴリ情報(例えばカーペットや木)を明示的に活用することにより、局所CLを導入し、マルチスケールの高密度特徴を洗練させ、グローバルCLを導入し、通常のパターンのよりコンパクトな特徴表現を得ることにより、モデルをマルチクラスに効果的に適応させる。
  論文  参考訳（メタデータ） (2024-12-06T04:31:09Z)
• Fine-Grained ImageNet Classification in the Wild [0.0]
  ロバストネステストは、典型的なモデル評価段階で気づかないいくつかの脆弱性やバイアスを明らかにすることができる。 本研究では,階層的知識の助けを借りて,密接に関連するカテゴリのきめ細かい分類を行う。
  論文  参考訳（メタデータ） (2023-03-04T12:25:07Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• "Flux+Mutability": A Conditional Generative Approach to One-Class Classification and Anomaly Detection [4.371371475735559]
  異常検出は、標準モデルを超えた新しい物理を見つける最前線にある。 本稿では,Flux+Mutabilityと呼ばれる新しい機械学習アーキテクチャの実装について詳述する。
  論文  参考訳（メタデータ） (2022-04-19T01:55:58Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)

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。