論文の概要: Co-Evolutionary Prompt Optimization with Cross-Category Transfer for Zero-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.29467v1
• Date: Sat, 29 Aug 2026 23:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.976632
• Title: Co-Evolutionary Prompt Optimization with Cross-Category Transfer for Zero-Shot Anomaly Detection
• Title（参考訳）: ゼロショット異常検出のためのクロスカテゴリ転送を用いた共進化的プロンプト最適化
• Abstract要約: CoEvoADは、離散的なプロンプト選択のための共進化的なフレームワークである。 複数の異常検出データセットにまたがって最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 11.460517515415043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot anomaly detection (ZSAD) has gained significant attention for its practical value in industrial inspection. Recently, CLIP-based approaches have been widely adopted in ZSAD due to their strong vision-language generalization capabilities. However, existing methods commonly employ continuous prompt embeddings for prompt optimization and encode semantics in latent vectors, which lack interpretability and scalability. To this end, we propose CoEvoAD, a co-evolutionary framework for discrete prompt selection. CoEvoAD performs prompt search in the discrete natural-language space using an evolutionary algorithm. Candidate prompts are iteratively generated, evaluated, and selected throughout population evolution, thus preserving the interpretability and composability of natural language. Furthermore, we introduce a Cross-Category Transfer Objective (CCTO), which treats held-out source categories as proxies for unseen categories and scores prompt rules based on their estimated cross-category transferability, effectively improving cross-category generalization. Extensive experiments are conducted to validate the effectiveness of CoEvoAD, and the results show that it achieves state-of-the-art performance across multiple anomaly detection datasets. The code is available at https://github.com/rstao-bjtu/CoEvoAD.
• Abstract（参考訳）: ゼロショット異常検出(ZSAD)は,産業検査における実用的価値において注目されている。 近年、CLIPベースのアプローチがZSADで広く採用されている。 しかし、既存の手法では、解釈可能性や拡張性に欠ける潜在ベクトルのセマンティクスを即時最適化やエンコードするために、連続的なプロンプト埋め込みを用いるのが一般的である。 この目的のために、離散的なプロンプト選択のための共進化的フレームワークであるCoEvoADを提案する。 CoEvoADは進化的アルゴリズムを用いて、離散自然言語空間で即時探索を行う。 候補のプロンプトは、個体群の進化を通じて反復的に生成され、評価され、選択され、自然言語の解釈可能性と構成可能性を維持する。 さらに,CCTO(Cross-Category Transfer Objective)を導入し,予測されたカテゴリ間転送性に基づいて,カテゴリ間転送性に基づいたルールのプロセッシングを行ない,カテゴリ間一般化を効果的に改善する。 CoEvoADの有効性を検証するために大規模な実験を行い、その結果、複数の異常検出データセットにまたがって最先端の性能を実現することを示した。 コードはhttps://github.com/rstao-bjtu/CoEvoADで公開されている。

関連論文リスト

• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Parameter-Efficient Semantic Augmentation for Enhancing Open-Vocabulary Object Detection [33.35667602014138]
  HSA-DINOは、オープン語彙オブジェクト検出を強化するためのパラメータ効率のよいセマンティック拡張フレームワークである。 推論中に適切な意味拡張戦略を動的に選択する意味認識ルータを提案する。 我々は,OV-COCO上のHSA-DINO,いくつかの垂直領域データセット,修正されたベンチマーク設定を評価した。
  論文  参考訳（メタデータ） (2026-04-06T05:41:33Z)
• DeCo-DETR: Decoupled Cognition DETR for efficient Open-Vocabulary Object Detection [34.77756071357519]
  Open-vocabulary Object Detection (OVOD)は、モデルが事前に定義されたカテゴリを超えてオブジェクトを認識できるようにする。 Deco-DETR(Deco-DeTR:Decoupled Cognition DETR)は、統合されたデカップリングパラダイムによってこれらの課題に対処するビジョン中心のフレームワークである。 本稿では,DeCo-DETRが競合ゼロショット検出性能を実現し,推論効率を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2026-04-03T05:56:29Z)
• Dissecting Generalized Category Discovery: Multiplex Consensus under Self-Deconstruction [36.73147151458588]
  人間の認知プロセスにインスパイアされた、新しい物体理解のためのソリューションを提案する。 提案するConGCDは,高レベルなセマンティック再構築により,プリミティブ指向の表現を確立する。 我々は、クラス識別パターンをキャプチャするために、支配的かつ文脈的コンセンサスユニットを実装している。
  論文  参考訳（メタデータ） (2025-08-14T15:11:22Z)
• Training-Free Class Purification for Open-Vocabulary Semantic Segmentation [72.87707878910896]
  FreeCPは、セマンティックセグメンテーションのためのトレーニング不要のクラス浄化フレームワークである。 我々は,FreeCPの有効性を検証するため,8つのベンチマークで実験を行った。 その結果、プラグイン・アンド・プレイモジュールであるFreeCPは、他のOVSSメソッドと組み合わせることでセグメンテーション性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-08-01T11:55:12Z)
• Distributional encoding for Gaussian process regression with qualitative inputs [0.7342677574855652]
  本稿では,分布符号化(DE)に基づく一般化が,対象変数のすべてのサンプルをカテゴリとして利用することを示す。 提案手法は実験的に検証され,様々な合成および実世界のデータセットに対して最先端の予測性能を示す。
  論文  参考訳（メタデータ） (2025-06-05T09:35:02Z)
• Category-Adaptive Cross-Modal Semantic Refinement and Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
  本稿では,カテゴリ適応型クロスモーダル・セマンティック・リファインメント・アンド・トランスファー(C$2$SRT)フレームワークを提案する。 提案するフレームワークは,2つの相補的モジュール,すなわち,カテゴリ内セマンティックリファインメント(ISR)モジュールと,カテゴリ間セマンティックトランスファー(IST)モジュールから構成される。 OV-MLRベンチマークの実験は、提案されたC$2$SRTフレームワークが現在の最先端アルゴリズムより優れていることを明らかに示している。
  論文  参考訳（メタデータ） (2024-12-09T04:00:18Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。