論文の概要: Template-Based Feature Aggregation Network for Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.22874v1
• Date: Tue, 24 Mar 2026 07:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.352892
• Title: Template-Based Feature Aggregation Network for Industrial Anomaly Detection
• Title（参考訳）: テンプレートに基づく産業異常検出のための特徴集約ネットワーク
• Authors: Wei Luo, Haiming Yao, Wenyong Yu,
• Abstract要約: 本稿ではテンプレートベースの特徴集約による異常検出のための新しい異常検出モデルTFA-Netを提案する。 TFA-Netは、固定テンプレート画像と入力画像のための事前訓練された畳み込みニューラルネットワークから複数の階層的特徴を集約する。 シンプルだが効率的であるTFA-Netは、様々な実世界の産業データセットに対して最先端の検知性能を示す。
• 参考スコア（独自算出の注目度）: 12.123964717149347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection plays a crucial role in ensuring product quality control. Therefore, proposing an effective anomaly detection model is of great significance. While existing feature-reconstruction methods have demonstrated excellent performance, they face challenges with shortcut learning, which can lead to undesirable reconstruction of anomalous features. To address this concern, we present a novel feature-reconstruction model called the \textbf{T}emplate-based \textbf{F}eature \textbf{A}ggregation \textbf{Net}work (TFA-Net) for anomaly detection via template-based feature aggregation. Specifically, TFA-Net first extracts multiple hierarchical features from a pre-trained convolutional neural network for a fixed template image and an input image. Instead of directly reconstructing input features, TFA-Net aggregates them onto the template features, effectively filtering out anomalous features that exhibit low similarity to normal template features. Next, TFA-Net utilizes the template features that have already fused normal features in the input features to refine feature details and obtain the reconstructed feature map. Finally, the defective regions can be located by comparing the differences between the input and reconstructed features. Additionally, a random masking strategy for input features is employed to enhance the overall inspection performance of the model. Our template-based feature aggregation schema yields a nontrivial and meaningful feature reconstruction task. The simple, yet efficient, TFA-Net exhibits state-of-the-art detection performance on various real-world industrial datasets. Additionally, it fulfills the real-time demands of industrial scenarios, rendering it highly suitable for practical applications in the industry. Code is available at https://github.com/luow23/TFA-Net.
• Abstract（参考訳）: 工業的異常検出は製品の品質管理の確保において重要な役割を担っている。 したがって、効果的な異常検出モデルを提案することは非常に重要である。 既存の特徴再構成手法は優れた性能を示してきたが、ショートカット学習の課題に直面しており、これは異常な特徴の好ましくない再構築につながる可能性がある。 この問題に対処するために,テンプレートベースの特徴集計による異常検出のための,新しい特徴再構成モデルである \textbf{T}emplate-based \textbf{F}eature \textbf{A}ggregation \textbf{Net}work (TFA-Net)を提案する。 具体的には、TFA-Netは、予め訓練された畳み込みニューラルネットワークから、固定テンプレート画像と入力画像のために、まず複数の階層的特徴を抽出する。 入力機能を直接再構築する代わりに、TFA-Netはそれらをテンプレート機能に集約し、通常のテンプレート機能とあまり類似しない異常な機能を効果的にフィルタリングする。 次に、TFA-Netは、入力機能の通常の機能を既に融合したテンプレート機能を使用して、機能の詳細を洗練し、再構成された機能マップを取得する。 最後に、入力された特徴と再構成された特徴の差を比較することで、欠陥領域を特定できる。 さらに、入力特徴に対するランダムマスキング戦略を用いて、モデル全体の検査性能を向上させる。 テンプレートベースの特徴集合スキーマは、非自明で意味のある特徴再構成タスクを生成する。 シンプルだが効率的であるTFA-Netは、様々な実世界の産業データセットに対して最先端の検知性能を示す。 さらに、産業シナリオのリアルタイム要求を満たすことで、業界における実用的なアプリケーションに非常に適しています。 コードはhttps://github.com/luow23/TFA-Netで入手できる。

関連論文リスト

• ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning [52.11294707895649]
  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。
  論文  参考訳（メタデータ） (2025-09-28T08:41:05Z)
• Few-Shot Pattern Detection via Template Matching and Regression [52.79291493477272]
  本稿では,テンプレートマッチングと回帰に基づく簡易かつ効果的な検出器TMRを提案する。 凍結したバックボーンの上に少数の学習可能な畳み込み層や投射層を持つ最小限の構造を通して、経験者の空間的レイアウトを効果的に保存し、活用する。 提案手法は, RPINE, FSCD-147, FSCD-LVISの3つのベンチマークにおける最先端手法よりも優れ, クロスデータセット評価において強い一般化を示す。
  論文  参考訳（メタデータ） (2025-08-25T03:52:42Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
  本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。 限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
  論文  参考訳（メタデータ） (2024-03-27T02:24:00Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
  我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。 まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。 「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
  論文  参考訳（メタデータ） (2023-07-16T14:41:22Z)
• 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)
• CAINNFlow: Convolutional block Attention modules and Invertible Neural Networks Flow for anomaly detection and localization tasks [28.835943674247346]
  本研究では, CBAMを組み込んだ複雑な関数モデルの設計を行い, 空間構造情報の保持と抽出を効果的に行うことができる。 CAINNFlowは,CNNとTransformerのバックボーンネットワークを特徴抽出器として,高度な精度と推論効率を実現する。
  論文  参考訳（メタデータ） (2022-06-04T13:45:08Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。