論文の概要: DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection

• arxiv url: http://arxiv.org/abs/2511.20270v1
• Date: Tue, 25 Nov 2025 12:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.462156
• Title: DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection
• Title（参考訳）: DRL-Guided Neural Batch Smpling for Semi-Supervised Pixel-Level Anomaly Detection
• Authors: Amirhossein Khadivi Noghredeh, Abdollah Safari, Fatemeh Ziaeetabar, Firoozeh Haghighi,
• Abstract要約: 産業用視覚検査における異常検出は, 欠陥試料の不足により困難である。 本稿では,ニューラルバッチサンプリング,オートエンコーダ,予測器を統合した半教師付き深層強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in industrial visual inspection is challenging due to the scarcity of defective samples. Most existing methods rely on unsupervised reconstruction using only normal data, often resulting in overfitting and poor detection of subtle defects. We propose a semi-supervised deep reinforcement learning framework that integrates a neural batch sampler, an autoencoder, and a predictor. The RL-based sampler adaptively selects informative patches by balancing exploration and exploitation through a composite reward. The autoencoder generates loss profiles highlighting abnormal regions, while the predictor performs segmentation in the loss-profile space. This interaction enables the system to effectively learn both normal and defective patterns with limited labeled data. Experiments on the MVTec AD dataset demonstrate that our method achieves higher accuracy and better localization of subtle anomalies than recent state-of-the-art approaches while maintaining low complexity, yielding an average improvement of 0.15 in F1_max and 0.06 in AUC, with a maximum gain of 0.37 in F1_max in the best case.
• Abstract（参考訳）: 産業用視覚検査における異常検出は, 欠陥試料の不足により困難である。 既存の手法の多くは、通常のデータのみを使用して教師なしの再構築に依存しており、しばしば過度に適合し、微妙な欠陥を検出する。 本稿では,ニューラルバッチサンプリング,オートエンコーダ,予測器を統合した半教師付き深層強化学習フレームワークを提案する。 RLベースのサンプリング装置は、複合報酬による探索と搾取のバランスをとることにより、情報パッチを適応的に選択する。 オートエンコーダは異常領域を強調した損失プロファイルを生成し、予測器は損失目立つ空間でセグメンテーションを行う。 この相互作用により、システムはラベル付きデータに制限された正規パターンと欠陥パターンの両方を効果的に学習できる。 MVTec ADデータセットを用いた実験により,近年の最先端手法よりも精度が高く,微妙な異常の局在性が向上し,低複雑性を維持しながら平均0.15のF1_max,AUC0.06のA1_max,最大0.37のF1_maxが得られた。

関連論文リスト

• Strengthening Anomaly Awareness [0.0]
  我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。 本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
  論文  参考訳（メタデータ） (2025-04-15T16:52:22Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• 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)
• Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
  本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。 事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
  論文  参考訳（メタデータ） (2021-12-05T15:29:59Z)
• Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination [4.547161155818913]
  正規度校正オートエンコーダ(NCAE)は、汚染されたデータセットの異常検出性能を高めることができる。 NCAEは、エントロピーの低い潜在空間から高信頼な正規サンプルを逆向きに生成する。
  論文  参考訳（メタデータ） (2021-10-28T00:23:01Z)

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。