論文の概要: Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance

• arxiv url: http://arxiv.org/abs/2509.05796v2
• Date: Thu, 18 Sep 2025 12:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 15:20:15.519548
• Title: Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance
• Title（参考訳）: 医療製造におけるデュアルモード深部異常検出 : 構造的類似性と特徴距離
• Authors: Julio Zanon Diaz, Georgios Siogkas, Peter Corcoran,
• Abstract要約: 本稿では,2つの注意誘導型オートエンコーダアーキテクチャを提案する。 1つ目は、軽量でリアルタイムな欠陥検出を可能にする構造的類似性に基づくスコアリングアプローチである。 第二に、Mahalanobis を用いた特徴距離ベースの戦略を、遅延特性の低減に応用する。
• 参考スコア（独自算出の注目度）: 2.467339701756281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated visual inspection in medical device manufacturing faces unique challenges, including small and imbalanced datasets, high-resolution imagery, and strict regulatory requirements. To address these, we propose two attention-guided autoencoder architectures for deep anomaly detection. The first employs a structural similarity-based scoring approach that enables lightweight, real-time defect detection with unsupervised thresholding and can be further enhanced through limited supervised tuning. The second applies a feature distance-based strategy using Mahalanobis scoring on reduced latent features, designed to monitor distributional shifts and support supervisory oversight. Evaluations on a representative sterile packaging dataset confirm that both approaches outperform baselines under hardware-constrained, regulated conditions. Cross-domain testing on the MVTec-Zipper benchmark further demonstrates that the structural similarity-based method generalises effectively and achieves performance comparable to state-of-the-art methods, while the feature distance-based method is less transferable but provides complementary monitoring capabilities. These results highlight a dual-pathway inspection strategy: structural similarity for robust inline detection and feature distance for supervisory monitoring. By combining operational performance with interpretability and lifecycle monitoring, the proposed methods also align with emerging regulatory expectations for high-risk AI systems.
• Abstract（参考訳）: 医療機器製造における視覚検査の自動化は、小さく不均衡なデータセット、高解像度の画像、厳格な規制要件など、ユニークな課題に直面している。 そこで本研究では,2つのアテンション誘導型オートエンコーダアーキテクチャを提案する。 1つ目は構造的類似性に基づくスコアリング手法で、教師なししきい値による軽量でリアルタイムな欠陥検出を可能にし、教師なしチューニングによってさらに強化することができる。 第二に、Mahalanobis を用いた特徴距離に基づく戦略を適用し、分散シフトを監視し、監督監視をサポートするように設計されている。 代表的な不妊パッケージングデータセットの評価では,両アプローチがハードウェアに制約された規制条件下でのベースラインよりも優れていたことが確認された。 MVTec-Zipperベンチマークのクロスドメインテストでは、構造的類似性に基づく手法が効果的に一般化し、最先端の手法に匹敵する性能を達成する一方で、特徴的距離に基づく手法は転送性が低いが、補完的な監視機能を提供することが示されている。 これらの結果は、頑健なインライン検出のための構造的類似性と、監視監視のための特徴距離という、二重経路検査戦略を強調している。 運用性能と解釈可能性とライフサイクル監視を組み合わせることで、ハイリスクなAIシステムに対する新たな規制上の期待に合致する。

関連論文リスト

• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• 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)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• System-reliability based multi-ensemble of GAN and one-class joint Gaussian distributions for unsupervised real-time structural health monitoring [0.0]
  本研究では,ケース依存抽出方式を使わずに,低次元特徴と高次元特徴を混合した教師なしリアルタイムSHM法を提案する。 GANと1-CGモデルに基づく極限状態関数の新規検出システムを構築した。 このチューニングにより、メソッドはユーザ定義パラメータに対して堅牢になり、リアルタイムSHMでこれらのパラメータを選択するルールが存在しないため、極めて重要である。
  論文  参考訳（メタデータ） (2021-02-01T20:50:55Z)
• A DCNN-based Arbitrarily-Oriented Object Detector for Quality Control and Inspection Application [10.076629346147639]
  軽量ニューラルネットワークを利用して回帰法を用いて指向性検出結果を得る。 提案手法の第1段階では,2つのシナリオで考慮される小型ターゲットを検出できる。 第2段階では、単純さにもかかわらず、高いランニング効率を維持しながら延長ターゲットを検出することが効率的です。
  論文  参考訳（メタデータ） (2021-01-19T00:23:27Z)
• 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)

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。