論文の概要: Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.13091v1
• Date: Fri, 13 Feb 2026 16:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.041254
• Title: Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のための一クラス分類器の普遍変換
• Authors: Declan McIntosh, Alexandra Branzan Albu,
• Abstract要約: 異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
• 参考スコア（独自算出の注目度）: 51.73001988341294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in images and video is an essential task for multiple real-world problems, including industrial inspection, computer-assisted diagnosis, and environmental monitoring. Anomaly detection is typically formulated as a one-class classification problem, where the training data consists solely of nominal values, leaving methods built on this assumption susceptible to training label noise. We present a dataset folding method that transforms an arbitrary one-class classifier-based anomaly detector into a fully unsupervised method. This is achieved by making a set of key weak assumptions: that anomalies are uncommon in the training dataset and generally heterogeneous. These assumptions enable us to utilize multiple independently trained instances of a one-class classifier to filter the training dataset for anomalies. This transformation requires no modifications to the underlying anomaly detector; the only changes are algorithmically selected data subsets used for training. We demonstrate that our method can transform a wide variety of one-class classifier anomaly detectors for both images and videos into unsupervised ones. Our method creates the first unsupervised logical anomaly detectors by transforming existing methods. We also demonstrate that our method achieves state-of-the-art performance for unsupervised anomaly detection on the MVTec AD, ViSA, and MVTec Loco AD datasets. As improvements to one-class classifiers are made, our method directly transfers those improvements to the unsupervised domain, linking the domains.
• Abstract（参考訳）: 画像やビデオの異常を検出することは、産業検査、コンピュータ支援診断、環境モニタリングなど、複数の現実世界の問題に欠かせない課題である。 異常検出は典型的には一級分類問題として定式化され、トレーニングデータは名目値のみで構成され、この仮定に基づいて構築された手法はラベルノイズの訓練に影響を受けやすい。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。 これは、トレーニングデータセットでは異常が珍しく、概して異種である、という一連の重要な弱い仮定によって達成される。 これらの仮定により、一級分類器の独立に訓練された複数のインスタンスを使用して、異常のトレーニングデータセットをフィルタリングすることができる。 この変換は、基礎となる異常検出器の変更を必要としない。 本手法は,画像とビデオの両方に対して,多種多様な一級分類器異常検出器を教師なしに変換できることを実証する。 本手法は, 既存の手法を変換することによって, 教師なし論理異常検出器を初めて生成する。 また,本手法はMVTec AD, ViSA, MVTec Loco ADデータセットにおける教師なし異常検出のための最先端性能を実現する。 1クラス分類器の改善がなされると、この手法はこれらの改善を教師なしドメインに直接転送し、ドメインをリンクする。

関連論文リスト

• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis [15.748043194987075]
  この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。 提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。 提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
  論文  参考訳（メタデータ） (2024-07-22T16:16:38Z)
• 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)

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。