論文の概要: SALAD -- Semantics-Aware Logical Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.02101v1
• Date: Tue, 02 Sep 2025 08:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.970781
• Title: SALAD -- Semantics-Aware Logical Anomaly Detection
• Title（参考訳）: SALAD --Semantics-Aware Logical Anomaly Detection
• Authors: Matic Fučka, Vitjan Zavrtanik, Danijel Skočaj,
• Abstract要約: 本研究では,意味論的に識別可能な論理異常検出手法であるSALADを提案する。 新たに提案されたコンポジションブランチを組み込んで、オブジェクトコンポジションマップの分布を明示的にモデル化する。 これは、論理異常検出のための標準ベンチマークMVTec LOCOにおける最先端の手法を大幅に改善し、96.1%の印象的な画像レベルのAUROCを実現した。
• 参考スコア（独自算出の注目度）: 6.6016630449883955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent surface anomaly detection methods excel at identifying structural anomalies, such as dents and scratches, but struggle with logical anomalies, such as irregular or missing object components. The best-performing logical anomaly detection approaches rely on aggregated pretrained features or handcrafted descriptors (most often derived from composition maps), which discard spatial and semantic information, leading to suboptimal performance. We propose SALAD, a semantics-aware discriminative logical anomaly detection method that incorporates a newly proposed composition branch to explicitly model the distribution of object composition maps, consequently learning important semantic relationships. Additionally, we introduce a novel procedure for extracting composition maps that requires no hand-made labels or category-specific information, in contrast to previous methods. By effectively modelling the composition map distribution, SALAD significantly improves upon state-of-the-art methods on the standard benchmark for logical anomaly detection, MVTec LOCO, achieving an impressive image-level AUROC of 96.1%. Code: https://github.com/MaticFuc/SALAD
• Abstract（参考訳）: 最近の表面異常検出法は、デントや引っかき傷などの構造異常を特定するのに優れているが、不規則または欠落した物体成分のような論理異常に悩まされている。 最も優れた論理的異常検出アプローチは、集約された事前訓練された特徴または手作りの記述子(多くは合成地図から派生している)に依存しており、空間的および意味的な情報を排除し、最適以下の性能をもたらす。 SALADは,対象合成図の分布を明示的にモデル化するために,新たに提案された合成枝を組み込んだ意味論的識別論理的異常検出手法であり,重要な意味関係を学習する。 また,従来手法とは対照的に,手作りラベルやカテゴリ特化情報を必要としない合成地図を抽出する新たな手法を提案する。 合成マップの分布を効果的にモデル化することにより、SALADは論理異常検出のための標準ベンチマークであるMVTec LOCOの最先端の手法を大幅に改善し、96.1%の印象的な画像レベルのAUROCを実現した。 コード:https://github.com/MaticFuc/SALAD

関連論文リスト

• ProtoAnomalyNCD: Prototype Learning for Multi-class Novel Anomaly Discovery in Industrial Scenarios [13.515312003451553]
  ProtoAnomalyNCDは、複数のタイプの未知の異常クラスを発見するためのプロトタイプベースのフレームワークである。 提案手法は,MVTec AD,MTD,Real-IADデータセットの最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-11-17T03:45:34Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• 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)
• SAM-LAD: Segment Anything Model Meets Zero-Shot Logic Anomaly Detection [17.32019706857109]
  視覚異常検出は、産業的欠陥検出や診断など、現実世界の応用において不可欠である。 我々は,任意のシーンにおける論理的異常検出のためのゼロショット・プラグイン・アンド・プレイフレームワークSAM-LADを提案する。 産業用データセットを含む様々なベンチマークを用いて,提案するSAM-LADを検証する。
  論文  参考訳（メタデータ） (2024-06-02T06:08:26Z)
• PUAD: Frustratingly Simple Method for Robust Anomaly Detection [0.0]
  対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。 本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。 本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T06:57:31Z)
• Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
  我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。 CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。 異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
  論文  参考訳（メタデータ） (2022-06-29T03:30:51Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Anomaly Detection via Self-organizing Map [52.542991004752]
  製品品質管理のための工業生産において,異常検出が重要な役割を担っている。 従来の異常検出方法は、限定的な一般化能力を持つルールベースである。 教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
  論文  参考訳（メタデータ） (2021-07-21T06:56:57Z)

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。