論文の概要: ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning

• arxiv url: http://arxiv.org/abs/2509.23741v1
• Date: Sun, 28 Sep 2025 08:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.41456
• Title: ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning
• Title（参考訳）: ResAD++: 残像学習によるクラス非依存的異常検出を目指す
• Authors: Xincheng Yao, Chao Shi, Muming Zhao, Guangtao Zhai, Chongyang Zhang,
• Abstract要約: 本稿では,クラス非依存型異常検出(AD)の問題点について検討する。 目的は、ターゲットデータの再トレーニングや微調整をせずに、異なるドメインから様々な新しいクラスの異常を一般化して検出できる、クラスに依存しないADモデルをトレーニングすることである。 8つの実世界のADデータセットに関する総合的な実験は、ResAD++が新しいクラスで直接使用されると、素晴らしいAD結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 52.11294707895649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper explores the problem of class-agnostic anomaly detection (AD), where the objective is to train one class-agnostic AD model that can generalize to detect anomalies in diverse new classes from different domains without any retraining or fine-tuning on the target data. When applied for new classes, the performance of current single- and multi-class AD methods is still unsatisfactory. One fundamental reason is that representation learning in existing methods is still class-related, namely, feature correlation. To address this issue, we propose residual features and construct a simple but effective framework, termed ResAD. Our core insight is to learn the residual feature distribution rather than the initial feature distribution. Residual features are formed by matching and then subtracting normal reference features. In this way, we can effectively realize feature decorrelation. Even in new classes, the distribution of normal residual features would not remarkably shift from the learned distribution. In addition, we think that residual features still have one issue: scale correlation. To this end, we propose a feature hypersphere constraining approach, which learns to constrain initial normal residual features into a spatial hypersphere for enabling the feature scales of different classes as consistent as possible. Furthermore, we propose a novel logbarrier bidirectional contraction OCC loss and vector quantization based feature distribution matching module to enhance ResAD, leading to the improved version of ResAD (ResAD++). Comprehensive experiments on eight real-world AD datasets demonstrate that our ResAD++ can achieve remarkable AD results when directly used in new classes, outperforming state-of-the-art competing methods and also surpassing ResAD. The code is available at https://github.com/xcyao00/ResAD.
• Abstract（参考訳）: 本稿では,クラス非依存型ADモデルにおいて,対象データに対する調整や微調整を行なわずに,異なるドメインから多種多様な新しいクラスの異常を検出することを一般化可能な1つのクラス非依存型ADモデルを訓練することを目的とする,クラス非依存型異常検出(AD)の問題について考察する。 新しいクラスに適用される場合、現在のシングルクラスとマルチクラスのADメソッドのパフォーマンスは相変わらず満足できない。 1つの根本的な理由は、既存のメソッドでの表現学習がいまだクラス関連、すなわち特徴相関である。 この問題に対処するため,ResAD(ResAD)と呼ばれるシンプルで効果的なフレームワークを構築する。 私たちの中核となる洞察は、初期の特徴分布ではなく、残った特徴分布を学ぶことです。 残像は、マッチングして正常な参照特徴を減じることで形成される。 このようにして、機能のデコレーションを効果的に実現できる。 新しいクラスであっても、通常の残像の分布は学習された分布から著しく変化しない。 さらに,残存する特徴には,いまだに1つの問題があると考えている。 そこで本研究では,初期正規残像を空間超球に拘束する機能ハイパースフィア制約手法を提案する。 さらに,ResADを改良したResAD(ResAD++)を実現するために,新しい対数バリヤ双方向収縮OCC損失とベクトル量子化に基づく特徴分布マッチングモジュールを提案する。 8つの実世界のADデータセットに関する総合的な実験により、我々のResAD++は、新しいクラスで直接使用する場合、最先端の競合メソッドよりも優れ、ResADよりも優れたAD結果が得られることを示した。 コードはhttps://github.com/xcyao00/ResADで入手できる。

関連論文リスト

• ResAD: A Simple Framework for Class Generalizable Anomaly Detection [46.50481396592365]
  そこで本研究では,対象データの再トレーニングや微調整を行なわずに,異なるドメインから多種多様なクラスにおける異常検出を一般化可能な統一ADモデルをトレーニングすることを目的とする。 通常の特徴表現はクラスによって大きく異なるため、広く研究されている1対1のADモデルはクラス一般化が不十分である(すなわち、新しいクラスで使用されるとパフォーマンスが劇的に低下する)。 我々は,新しいクラスにおける異常を検出するために直接適用可能な,シンプルだが効果的なフレームワーク(ResAD)を提案する。
  論文  参考訳（メタデータ） (2024-10-26T02:38:18Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
  Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。 第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。 凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
  論文  参考訳（メタデータ） (2023-09-25T11:54:33Z)
• Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
  DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-07T07:41:32Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)

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。