論文の概要: Mahalanobis PatchCore: Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.27748v1
• Date: Tue, 26 May 2026 22:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.588265
• Title: Mahalanobis PatchCore: Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection
• Title（参考訳）: Mahalanobis PatchCore:Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection
• Authors: Niccolò Ferrari, Oligert Osmani, Evelina Lamma,
• Abstract要約: 我々はPatchCoreの共分散を意識したストリーミング互換拡張であるMahalanobis PatchCoreを紹介する。 工学的応用は産業検査の自動化であり、視覚異常検出は実用的なメモリ制限下では正確でなければならない。 本手法は, 市販15カテゴリーの産業異常検出ベンチマークと, 3つの産業データセットを用いて, ブローフィルシールストリップアンポウレメニスカス検査, アンバーグラスアンポウレボトム検査, ライオフィル化コーパス検査について検討した。
• 参考スコア（独自算出の注目度）: 0.0509780930114934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial visual anomaly detection is usually one-class: normal images are abundant, while defects are rare, heterogeneous, and often unavailable during system design. PatchCore-style retrieval suits this setting because it scores test images from a memory bank of normal patch features, but the standard Euclidean geometry ignores feature correlations and its offline construction materialises the full patch pool before subsampling. We introduce Mahalanobis PatchCore, a covariance-aware, streaming-compatible extension of PatchCore. Its artificial intelligence contribution is a retrieval detector that estimates a regularised covariance model in reduced feature space and whitens embeddings, so Euclidean nearest-neighbour search after transformation implements Mahalanobis retrieval. A bounded-memory, re-iterable training pipeline builds the memory bank without storing all normal patches at once, using incremental dimensionality reduction, online covariance estimation, and streaming aggregation. The engineering application is automated industrial inspection, where visual anomaly detection must remain accurate under practical memory limits. We evaluate the method on a public 15-category industrial anomaly-detection benchmark and three industrial datasets covering blow-fill-seal strip-ampoule meniscus inspection, amber-glass-ampoule bottom inspection, and lyophilised-cake vial inspection. Mahalanobis PatchCore preserves most offline PatchCore image-level performance on the public benchmark while reducing peak memory from 5.41 to 2.78 GB, and improves the selected industrial mean image area under the receiver operating characteristic curve from 0.981 to 0.986.
• Abstract（参考訳）: 通常の画像は豊富であるが、欠陥は稀であり、不均一であり、システム設計においてしばしば利用できない。 PatchCoreスタイルの検索は、通常のパッチ機能のメモリバンクからテストイメージを取得するため、この設定に適合するが、標準のユークリッド幾何は特徴相関を無視し、オフライン構造はサブサンプリング前に全パッチプールを構成する。 我々はPatchCoreの共分散を意識したストリーミング互換拡張であるMahalanobis PatchCoreを紹介する。 その人工知能コントリビューションは、特徴空間とホワイトン埋め込みにおける正規化共分散モデルを推定する検索検出器であり、変換後の最寄りの探索はマハラノビス検索を実装している。 インクリメンタルディメンタリティの削減、オンライン共分散推定、ストリーミングアグリゲーションを使用して、バウンダリメモリでリイタブルなトレーニングパイプラインが、通常のパッチをすべて一度に保存することなく、メモリバンクを構築する。 工学的応用は産業検査の自動化であり、視覚異常検出は実用的なメモリ制限下では正確でなければならない。 本手法は, 市販15カテゴリーの産業異常検出ベンチマークと, 3つの産業データセットを用いて, ブローフィルシールストリップアンポウレメニスカス検査, アンバーグラスアンポウレボトム検査, ライオフィル化コーパス検査について検討した。 Mahalanobis PatchCoreは、ピークメモリを5.41から2.78GBに削減しつつ、パブリックベンチマーク上で最もオフラインなPatchCoreイメージレベルのパフォーマンスを保ち、レシーバの動作特性曲線である0.981から0.986まで、選択した工業平均画像領域を改善している。

関連論文リスト

• PatchBlock: A Lightweight Defense Against Adversarial Patches for Embedded EdgeAI Devices [5.082257334702858]
  アドリアックは、EdgeAIアプリケーションにマシンラーニングモデルを確実にデプロイする上で、大きな課題となる。 画像中の逆パッチを検出し中和するフレームワークであるPatchBlockを提案する。 PatchBlockは頑丈さを継続的に改善し、強力なパッチアタックのモデル精度の77%を回復することを示す。
  論文  参考訳（メタデータ） (2026-01-01T15:04:16Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Divide and Conquer: High-Resolution Industrial Anomaly Detection via Memory Efficient Tiled Ensemble [0.14999444543328289]
  産業異常検出はコンピュータビジョンにおける重要な課題である。 多くの実世界のデータセットにおける異常領域の小さなサイズは、高解像度で画像を処理する必要がある。 入力画像をタイルのグリッドに分割し,各タイル位置の専用モデルをトレーニングすることにより,メモリ消費を低減するタイルアンサンブル方式を提案する。
  論文  参考訳（メタデータ） (2024-03-07T22:39:02Z)
• Multimodal Industrial Anomaly Detection via Hybrid Fusion [59.16333340582885]
  ハイブリッド核融合方式を用いた新しいマルチモーダル異常検出法を提案する。 本モデルでは,MVTecD-3 ADデータセットにおける検出精度とセグメンテーション精度の両面で,最先端(SOTA)手法より優れている。
  論文  参考訳（メタデータ） (2023-03-01T15:48:27Z)
• FAPM: Fast Adaptive Patch Memory for Real-time Industrial Anomaly Detection [3.3618231694900924]
  実時間産業異常検出のための高速適応パッチメモリ(FAPM)を提案する。 FAPMは、パッチとレイヤレベルでイメージの埋め込み機能を格納する、パッチとレイヤのメモリバンクを利用する。 FAPMは、他の最先端手法と比較して精度と速度の両方で良好に機能する。
  論文  参考訳（メタデータ） (2022-11-14T14:10:50Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
  本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。 できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。 最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T02:39:03Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)

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。