論文の概要: Prototypical Learning Guided Context-Aware Segmentation Network for Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.15319v1
• Date: Wed, 17 Dec 2025 11:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.95284
• Title: Prototypical Learning Guided Context-Aware Segmentation Network for Few-Shot Anomaly Detection
• Title（参考訳）: Few-Shot 異常検出のためのプロトタイプ学習ガイド付きコンテキスト認識セグメンテーションネットワーク
• Authors: Yuxin Jiang, Yunkang Cao, Weiming Shen,
• Abstract要約: FSAD (Few-shot Anomaly Detection) は、ターゲットカテゴリ内の異常を正常なサンプル数に限定して識別する。 本研究では,ドメインギャップに対処するためのPCSNet(Prototypeal Guided Learning Network)を提案する。 PCSNetは、PFAサブネットワークと文脈認識セグメンテーション(CASサブネットワーク)サブネットワークからなる。
• 参考スコア（独自算出の注目度）: 21.643874347903406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot anomaly detection (FSAD) denotes the identification of anomalies within a target category with a limited number of normal samples. Existing FSAD methods largely rely on pre-trained feature representations to detect anomalies, but the inherent domain gap between pre-trained representations and target FSAD scenarios is often overlooked. This study proposes a Prototypical Learning Guided Context-Aware Segmentation Network (PCSNet) to address the domain gap, thereby improving feature descriptiveness in target scenarios and enhancing FSAD performance. In particular, PCSNet comprises a prototypical feature adaption (PFA) sub-network and a context-aware segmentation (CAS) sub-network. PFA extracts prototypical features as guidance to ensure better feature compactness for normal data while distinct separation from anomalies. A pixel-level disparity classification loss is also designed to make subtle anomalies more distinguishable. Then a CAS sub-network is introduced for pixel-level anomaly localization, where pseudo anomalies are exploited to facilitate the training process. Experimental results on MVTec and MPDD demonstrate the superior FSAD performance of PCSNet, with 94.9% and 80.2% image-level AUROC in an 8-shot scenario, respectively. Real-world applications on automotive plastic part inspection further demonstrate that PCSNet can achieve promising results with limited training samples. Code is available at https://github.com/yuxin-jiang/PCSNet.
• Abstract（参考訳）: FSAD (Few-shot Anomaly Detection) は、ターゲットカテゴリ内の異常を正常なサンプル数に限定して識別する。 既存のFSADメソッドは、主に異常を検出するために事前訓練された特徴表現に依存しているが、事前訓練された表現と対象のFSADシナリオの間の固有のドメインギャップはしばしば見過ごされる。 本研究では,対象シナリオの特徴記述性を向上し,FSAD性能を向上させるために,ドメインギャップに対処するプロトタイプ学習ガイドコンテキスト認識セグメンテーションネットワーク(PCSNet)を提案する。 特にPCSNetは、PFAサブネットワークと文脈認識セグメンテーション(CASサブネットワーク)サブネットワークから構成される。 PFAは、異常を区別しながら、正常なデータに対してより優れた特徴のコンパクト性を確保するためのガイダンスとして、原型的特徴を抽出する。 ピクセルレベルの不均一な分類損失は、微妙な異常をより区別しやすくするためにも設計されている。 次に、擬似異常を利用してトレーニングプロセスを容易にする画素レベルの異常ローカライズのためのCASサブネットワークを導入する。 MVTecとMPDDの実験結果は、それぞれ8ショットシナリオで94.9%と80.2%の画像レベルのAUROCで、PCSNetのFSAD性能が優れていることを示している。 自動車用プラスチック部品検査における実世界の応用は、PCSNetが限られたトレーニングサンプルで有望な結果を得ることができることをさらに証明している。 コードはhttps://github.com/yuxin-jiang/PCSNetで入手できる。

関連論文リスト

• DI-NIDS: Domain Invariant Network Intrusion Detection System [9.481792073140204]
  コンピュータビジョンなどの様々な応用において、ドメイン適応技術は成功している。 しかし、ネットワーク侵入検出の場合、最先端のドメイン適応アプローチは成功に留まっている。 本稿では,複数のネットワークドメインから対数領域適応を用いて,ドメイン不変な特徴を抽出する。
  論文  参考訳（メタデータ） (2022-10-15T10:26:22Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds [51.47100091540298]
  本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
  論文  参考訳（メタデータ） (2021-08-31T23:27:33Z)
• Style Normalization and Restitution for DomainGeneralization and Adaptation [88.86865069583149]
  効果的なドメイン一般化モデルは、一般化および判別可能な特徴表現を学習することが期待される。 本稿では,ネットワークの高一般化と識別能力を確保するために,新しいスタイル正規化・再構成モジュール(SNR)を設計する。
  論文  参考訳（メタデータ） (2021-01-03T09:01:39Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)
• Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
  わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。 このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。 メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
  論文  参考訳（メタデータ） (2020-02-06T01:04:53Z)
• Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
  近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。 遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。 実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。