論文の概要: Novel Anomaly Detection Scenarios and Evaluation Metrics to Address the Ambiguity in the Definition of Normal Samples

• arxiv url: http://arxiv.org/abs/2604.07097v1
• Date: Wed, 08 Apr 2026 13:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.564888
• Title: Novel Anomaly Detection Scenarios and Evaluation Metrics to Address the Ambiguity in the Definition of Normal Samples
• Title（参考訳）: 正常検体定義の曖昧性に対処する新規な異常検出シナリオと評価基準
• Authors: Reiji Saito, Satoshi Kamiya, Kazuhiro Hotta,
• Abstract要約: 実世界のシナリオでは、通常のサンプルの定義はしばしば曖昧である。 そのような場合、通常のサンプルには小さな傷、小さな塵の粒子、または異物が含まれる。 実世界のアプリケーションにおける仕様変更に対応するための新しいシナリオと評価指標を提案する。
• 参考スコア（独自算出の注目度）: 18.9383615537698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In conventional anomaly detection, training data consist of only normal samples. However, in real-world scenarios, the definition of a normal sample is often ambiguous. For example, there are cases where a sample has small scratches or stains but is still acceptable for practical usage. On the other hand, higher precision is required when manufacturing equipment is upgraded. In such cases, normal samples may include small scratches, tiny dust particles, or a foreign object that we would prefer to classify as an anomaly. Such cases frequently occur in industrial settings, yet they have not been discussed until now. Thus, we propose novel scenarios and an evaluation metric to accommodate specification changes in real-world applications. Furthermore, to address the ambiguity of normal samples, we propose the RePaste, which enhances learning by re-pasting regions with high anomaly scores from the previous step into the input for the next step. On our scenarios using the MVTec AD benchmark, RePaste achieved the state-of-the-art performance with respect to the proposed evaluation metric, while maintaining high AUROC and PRO scores. Code: https://github.com/ReijiSoftmaxSaito/Scenario
• Abstract（参考訳）: 従来の異常検出では、トレーニングデータは通常のサンプルのみで構成されている。 しかし、現実のシナリオでは、通常のサンプルの定義はしばしば曖昧である。 例えば、サンプルが小さな引っかき傷や汚れを持っているが、実用上はまだ受け入れられるケースもある。 一方、製造設備のアップグレードの際には高い精度が必要である。 そのような場合、通常のサンプルには、小さな傷、小さな塵の粒子、または我々が異常として分類することを好む異物が含まれるかもしれない。 このようなケースは産業環境で頻繁に発生するが、これまで議論されていない。 そこで本研究では,現実のアプリケーションにおける仕様変更に対応するための新しいシナリオと評価指標を提案する。 さらに, 通常のサンプルのあいまいさに対処するため, RePasteを提案する。 MVTec ADベンチマークを用いたシナリオでは,高いAUROCとProのスコアを維持しながら,提案した評価基準に関して最先端の性能を達成した。 コード:https://github.com/ReijiSoftmaxSaito/Scenario

関連論文リスト

• Anomalous Samples for Few-Shot Anomaly Detection [5.199807441687141]
  マルチスコア異常検出スコアに異常サンプルを組み込む手法を提案する。 異常サンプルの有用性と正規サンプルの有用性を比較し,それぞれの利点と限界について検討する。
  論文  参考訳（メタデータ） (2025-07-31T16:41:06Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。 トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
  論文  参考訳（メタデータ） (2022-07-07T16:59:53Z)
• Identifying Wrongly Predicted Samples: A Method for Active Learning [6.976600214375139]
  本稿では,不確実性を超えた単純なサンプル選択基準を提案する。 予測されたサンプルを正しく識別するために、最先端の結果とより良いレートを示す。
  論文  参考訳（メタデータ） (2020-10-14T09:00:42Z)

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。