Fugu-MT 論文翻訳(概要): Unsupervised Anomaly Detection with an Enhanced Teacher for Student-Teacher Feature Pyramid Matching

論文の概要: Unsupervised Anomaly Detection with an Enhanced Teacher for Student-Teacher Feature Pyramid Matching

arxiv url: http://arxiv.org/abs/2512.18219v1
Date: Sat, 20 Dec 2025 05:22:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.237873
Title: Unsupervised Anomaly Detection with an Enhanced Teacher for Student-Teacher Feature Pyramid Matching
Title（参考訳）: 教師・教師の特徴的ピラミッドマッチングのための教師強化による教師なし異常検出
Authors: Mohammad Zolfaghari, Hedieh Sajedi,
Abstract要約: 本稿では,その教師ネットワークが高性能なメトリクスを実現するために強化されていることを,異常検出のための学生-教師フレームワークを提案する。画像レベルと画素レベルの実験結果は、このアイデアが以前の方法よりも優れた測定値を得たことを示している。
参考スコア（独自算出の注目度）: 3.537921035534424
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection or outlier is one of the challenging subjects in unsupervised learning . This paper is introduced a student-teacher framework for anomaly detection that its teacher network is enhanced for achieving high-performance metrics . For this purpose , we first pre-train the ResNet-18 network on the ImageNet and then fine-tune it on the MVTech-AD dataset . Experiment results on the image-level and pixel-level demonstrate that this idea has achieved better metrics than the previous methods . Our model , Enhanced Teacher for Student-Teacher Feature Pyramid (ET-STPM), achieved 0.971 mean accuracy on the image-level and 0.977 mean accuracy on the pixel-level for anomaly detection.
Abstract（参考訳）: 異常検出または異常検出は教師なし学習における課題の1つである。本稿では,その教師ネットワークが高性能なメトリクスを実現するために強化されていることを,異常検出のための学生-教師フレームワークを紹介した。この目的のために、まずImageNet上でResNet-18ネットワークを事前トレーニングし、MVTech-ADデータセットで微調整します。画像レベルとピクセルレベルの実験結果は、このアイデアが以前の方法よりも優れたメトリクスを達成できたことを示している。画像レベルでは0.971, 画像レベルでは0.977, 異常検出では0.977の精度が得られた。

関連論文リスト

Teacher Encoder-Student Decoder Denoising Guided Segmentation Network for Anomaly Detection [15.545036112870841]
PFADSeg という,事前学習した教師ネットワークと,マルチスケールの機能融合による学生ネットワークと,ガイド付き異常セグメンテーションネットワークを統合フレームワークに統合した新しいモデルを提案する。 PFADSegはMVTec ADデータセットに基づいて、画像レベルのAUCは98.9%、ピクセルレベルの平均精度は76.4%、インスタンスレベルの平均精度は78.7%である。
論文参考訳（メタデータ） (2025-01-21T12:55:04Z)
Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
論文参考訳（メタデータ） (2025-01-18T11:57:20Z)
Robust COVID-19 Detection in CT Images with CLIP [21.809469794865887]
深層学習モデルは、特に新型コロナウイルス検出において、医療画像の課題に直面している。凍結したCLIP画像エンコーダとトレーニング可能な多層認識(MLP)を活用して,これらの障害を克服するための最初の軽量検出器を提案する。教師と学生のフレームワークを統合して、大量のラベルのないデータに便乗し、本質的なデータ制限にもかかわらず、我々のモデルは優れたパフォーマンスを達成できる。
論文参考訳（メタデータ） (2024-03-13T20:26:50Z)
A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
論文参考訳（メタデータ） (2023-02-25T09:02:01Z)
DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection [18.95747313320397]
本稿では,教師ネットワーク,学生エンコーダ・デコーダ,セグメンテーションネットワークを1つのフレームワークに統合したDeSTSegと呼ばれる改良モデルを提案する。画像レベルのAUCは98.6%,画素レベルの平均精度は75.8%,インスタンスレベルの平均精度は76.4%である。
論文参考訳（メタデータ） (2022-11-21T10:01:03Z)
Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection [8.35780131268962]
学生と教師のネットワークで構成されるSTPM(Standard-Teacher Feature pyramid matching)に基づいて,強力な異常検出手法を提案する。本研究は,STPMの精度を向上させるために,学生ネットワークを生成モデルとして使用し,通常の特徴を再構築する。さらに精度を向上させるために,本手法では擬似アノマリーで訓練した識別ネットワークを用いる。
論文参考訳（メタデータ） (2022-10-14T05:57:50Z)
Efficient Self-supervised Vision Transformers for Representation Learning [86.57557009109411]
疎密な自己意識を持つマルチステージアーキテクチャは、モデリングの複雑さを著しく低減できることを示す。そこで本研究では,モデルがよりきめ細かな領域依存を捕捉できるような,領域マッチングの事前学習タスクを提案する。この2つの手法を組み合わせることで,ImageNet線形プローブ評価において,EsViTは81.3%のトップ1を達成した。
論文参考訳（メタデータ） (2021-06-17T19:57:33Z)
Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
論文参考訳（メタデータ） (2021-05-11T04:09:49Z)
Student-Teacher Feature Pyramid Matching for Unsupervised Anomaly Detection [38.523251117024984]
異常検出は難しい課題であり、通常、異常の予期せぬ性質に対する教師なし学習問題として定式化される。本稿では,生徒-教師の枠組みに実装された,シンプルながら強力なアプローチを提案する。非常に競争力のある結果は、3つの主要なベンチマークで提供されます。
論文参考訳（メタデータ） (2021-03-07T04:25:04Z)
Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文参考訳（メタデータ） (2020-12-30T03:22:46Z)
Propagate Yourself: Exploring Pixel-Level Consistency for Unsupervised Visual Representation Learning [60.75687261314962]
我々は,高密度な特徴表現を学習するための画素レベルのプレテキストタスクを導入する。ピクセル・ツー・プロパゲーション整合性タスクは、最先端のアプローチよりも優れた結果をもたらす。結果は、ピクセルレベルでプリテキストタスクを定義する強力な可能性を示している。
論文参考訳（メタデータ） (2020-11-19T18:59:45Z)

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。