論文の概要: Anomaly Detection by Clustering DINO Embeddings using a Dirichlet Process Mixture

• arxiv url: http://arxiv.org/abs/2509.19997v1
• Date: Wed, 24 Sep 2025 11:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.787225
• Title: Anomaly Detection by Clustering DINO Embeddings using a Dirichlet Process Mixture
• Title（参考訳）: Dirichlet Process Mixture を用いたDINO埋め込みクラスタリングによる異常検出
• Authors: Nico Schulthess, Ender Konukoglu,
• Abstract要約: ディリクレプロセス混合モデル(DPMM)を用いた標準DINOv2埋め込みの分布のモデル化を提案する。 実験の結果,DINOv2のDPMM埋め込みにより,自然画像の訓練にもかかわらず,医用画像ベンチマークにおいて非常に競合的な異常検出性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 16.408669047976023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we leverage informative embeddings from foundational models for unsupervised anomaly detection in medical imaging. For small datasets, a memory-bank of normative features can directly be used for anomaly detection which has been demonstrated recently. However, this is unsuitable for large medical datasets as the computational burden increases substantially. Therefore, we propose to model the distribution of normative DINOv2 embeddings with a Dirichlet Process Mixture model (DPMM), a non-parametric mixture model that automatically adjusts the number of mixture components to the data at hand. Rather than using a memory bank, we use the similarity between the component centers and the embeddings as anomaly score function to create a coarse anomaly segmentation mask. Our experiments show that through DPMM embeddings of DINOv2, despite being trained on natural images, achieve very competitive anomaly detection performance on medical imaging benchmarks and can do this while at least halving the computation time at inference. Our analysis further indicates that normalized DINOv2 embeddings are generally more aligned with anatomical structures than unnormalized features, even in the presence of anomalies, making them great representations for anomaly detection. The code is available at https://github.com/NicoSchulthess/anomalydino-dpmm.
• Abstract（参考訳）: 本研究では,医用画像における教師なし異常検出のための基礎モデルからの情報埋め込みを活用する。 小規模なデータセットでは、最近実証された異常検出に、規範的特徴のメモリバンクを直接使用することができる。 しかし、計算負担が大幅に増加するため、これは大きな医療データセットには適さない。 そこで本研究では,DINOv2 埋め込みの分布を Drichlet Process Mixture Model (DPMM) を用いてモデル化する。 メモリバンクの代わりに、コンポーネントセンターと埋め込みの類似性を異常スコア関数として使用し、粗い異常セグメンテーションマスクを作成する。 実験の結果,DINOv2のDPMM埋め込みは自然画像で訓練されているにもかかわらず,医用画像ベンチマークにおいて非常に競合性の高い異常検出性能を実現し,少なくとも推論時の計算時間を半減させることができた。 さらに, 正常化DINOv2埋め込みは, 異常の存在下においても, 解剖学的構造と一致し, 異常検出のための優れた表現となることが示唆された。 コードはhttps://github.com/NicoSchulthess/anomalydino-dpmmで公開されている。

関連論文リスト

• Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
  異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。 本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。 本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
  論文  参考訳（メタデータ） (2025-05-14T10:25:06Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Adversarial Anomaly Detection using Gaussian Priors and Nonlinear Anomaly Scores [0.21847754147782888]
  不均衡データセットにおける異常検出は、特に医療領域において頻繁にかつ重要な問題である。 本稿では,$beta$-variational autoencoder(VAE)の生成安定性とGAN(Generative Adversarial Network)の識別強度を組み合わせることで,新たなモデルである$beta$-VAEGANを提案する。 本稿では,モデルの識別的,再構成的能力に基づいて,異常スコアを構成する手法について検討する。
  論文  参考訳（メタデータ） (2023-10-27T12:24:08Z)
• Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images [29.57501199670898]
  我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。 再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。 本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
  論文  参考訳（メタデータ） (2022-10-09T11:18:45Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• 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)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
  本稿では,異常検出に対する教師なし学習手法を提案する。 また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
  論文  参考訳（メタデータ） (2020-03-30T05:30:09Z)

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。