論文の概要: Tailored Transformation Invariance for Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.17670v1
• Date: Mon, 22 Sep 2025 12:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.365457
• Title: Tailored Transformation Invariance for Industrial Anomaly Detection
• Title（参考訳）: 産業異常検出のためのテーラー変換不変性
• Authors: Mariette Schönfeld, Wannes Meert, Hendrik Blockeel,
• Abstract要約: 実生活シナリオに適用可能であるため,産業異常検出には注目が集まっている。 近年の研究では、事前訓練された特徴のみを使用する古いkNNベースの手法とは対照的に、最も情報性の高い特徴を抽出する方法に焦点が当てられている。 ローカルウィンドウベースのアプローチであるLWinNNを定式化し、kNNベースのメソッド間の中間となる基底を生成する。
• 参考スコア（独自算出の注目度）: 4.425080538015526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial Anomaly Detection (IAD) is a subproblem within Computer Vision Anomaly Detection that has been receiving increasing amounts of attention due to its applicability to real-life scenarios. Recent research has focused on how to extract the most informative features, contrasting older kNN-based methods that use only pretrained features. These recent methods are much more expensive to train however and could complicate real-life application. Careful study of related work with regards to transformation invariance leads to the idea that popular benchmarks require robustness to only minor translations. With this idea we then formulate LWinNN, a local window based approach that creates a middle ground between kNN based methods that have either complete or no translation invariance. Our experiments demonstrate that this small change increases accuracy considerably, while simultaneously decreasing both train and test time. This teaches us two things: first, the gap between kNN-based approaches and more complex state-of-the-art methodology can still be narrowed by effective usage of the limited data available. Second, our assumption of requiring only limited translation invariance highlights potential areas of interest for future work and the need for more spatially diverse benchmarks, for which our method can hopefully serve as a new baseline. Our code can be found at https://github.com/marietteschonfeld/LWinNN .
• Abstract（参考訳）: 産業異常検出 (Industrial Anomaly Detection, IAD) はコンピュータビジョン異常検出のサブプロブレムであり, 現実のシナリオに適用可能であることから注目されている。 近年の研究では、事前訓練された特徴のみを使用する古いkNNベースの手法とは対照的に、最も情報性の高い特徴を抽出する方法に焦点が当てられている。 しかし、これらの手法は訓練にはるかに費用がかかり、現実のアプリケーションを複雑化する可能性がある。 変換不変性に関する関連する研究の慎重な研究は、人気のあるベンチマークはマイナーな翻訳にのみ堅牢性を必要とするという考えに繋がる。 このアイデアにより、ローカルウィンドウベースのアプローチであるLWinNNを定式化します。 実験により、この小さな変化は、列車と試験時間の両方を同時に減少させながら、精度を著しく向上させることが示された。 まず、kNNベースのアプローチと、より複雑な最先端の方法論のギャップは、利用可能な制限されたデータの効果的な使用によって狭められます。 第二に、限定的な翻訳不変性しか必要としないという仮定は、将来の作業に対する潜在的な関心領域と、より空間的に多様なベンチマークの必要性を浮き彫りにする。 私たちのコードはhttps://github.com/marietteschonfeld/LWinNNで参照できます。

関連論文リスト

• Tilt your Head: Activating the Hidden Spatial-Invariance of Classifiers [0.7704032792820767]
  ディープニューラルネットワークは、日々の生活の多くの領域に適用されている。 これらは、空間的に変換された入力信号に頑健に対処するなど、依然として必須の能力が欠如している。 本稿では,ニューラルネットの推論過程をエミュレートする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-06T09:47:29Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• DNNR: Differential Nearest Neighbors Regression [8.667550264279166]
  K-nearest neighbors(KNN)は、機械学習において最も早く、最も確立されたアルゴリズムの1つである。 回帰タスクでは、KNNは、多くの課題を引き起こす地区内のターゲットを平均化する。 両問題に同時に対処するDNNR(differial Nearest Neighbors Regression)を提案する。
  論文  参考訳（メタデータ） (2022-05-17T15:22:53Z)
• Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
  k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。 我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。 本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
  論文  参考訳（メタデータ） (2021-12-15T20:15:01Z)
• Learnable Locality-Sensitive Hashing for Video Anomaly Detection [44.19433917039249]
  ビデオ異常検出(英語: Video Anomaly Detection, VAD)とは、通常サンプルのみが利用可能なトレーニングセットで発生していない異常事象を特定することを指す。 本稿では,すべての標準データを効率よく,かつ柔軟に活用するための,距離に基づく新しいVAD手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T15:25:45Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
  kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。 従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。 ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
  論文  参考訳（メタデータ） (2021-05-27T09:27:42Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)

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。