論文の概要: Focus and Supplement: Dual-Enhanced Vision Transformer for Multi-Class Anomaly Classification

• arxiv url: http://arxiv.org/abs/2609.33353v1
• Date: Sun, 27 Sep 2026 08:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:50:49.397912
• Title: Focus and Supplement: Dual-Enhanced Vision Transformer for Multi-Class Anomaly Classification
• Title（参考訳）: フォーカスとサプリメント:マルチクラス異常分類のためのデュアル強化視覚変換器
• Abstract要約: 我々は,新しい多クラス異常分類フレームワークMACOを提案する。 包括的な表現を学習し、事前の知識なしにクラス番号を動的に推定する。 MTDで$textbf11.2%$NMIゲインを達成し、MVTec ADで$textbf24.1%$UPSを上回っている。
• 参考スコア（独自算出の注目度）: 10.060806104092526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-class anomaly classification in industrial vision remains challenging due to noisy/incomplete anomaly representations and the unknown number of anomaly classes. To overcome this, we propose MACO, a novel multi-class anomaly classification framework that learns comprehensive representations and dynamically estimates class number without prior knowledge. First, a soft-focus attention uses anomaly maps to concentrate on relevant abnormal regions, while suppressing background noise. Second, auxiliary classification ([A-CLS]) tokens complement the [CLS] token. They collectively attend to diverse anomaly sub-regions, yielding more holistic and discriminative features. These [A-CLS] tokens are also effective across more tasks and domains. To infer the class number, we propose Correlation-based Number Estimation strategy. It computes the average correlation among labeled classes and transfers its separability cue to the unlabeled set. Experiments on MVTec AD and MTD datasets demonstrate our superiority. Under known class number, MACO improves ARI by 6.5% and $\textbf{16.3%}$ on both datasets, respectively. In the more challenging unknown number scenario, it achieves an $\textbf{11.2%}$ NMI gain on MTD and outperforms existing number estimation strategies by $\textbf{24.1%}$ UPS on MVTec AD. Code will be released at https://github.com/HUST-SLOW/MACO.
• Abstract（参考訳）: 産業視覚における多クラス異常分類は、ノイズ/不完全異常表現と未知数の異常クラスのために依然として困難である。 そこで本稿では,包括的表現を学習し,事前知識のないクラス数を動的に推定する,新しいマルチクラス異常分類フレームワークMACOを提案する。 まず、ソフトフォーカスアテンションは異常マップを使用して、背景雑音を抑えながら、関連する異常領域に集中する。 第二に、補助分類([A-CLS])トークンは[CLS]トークンを補完する。 彼らはまとめて多様な異常なサブリージョンに参加し、より包括的で差別的な特徴をもたらす。 これらの[A-CLS]トークンは、より多くのタスクやドメインにわたって効果的です。 クラス番号を推定するために,相関に基づく数値推定手法を提案する。 ラベル付きクラス間の平均相関を計算し、その分離性キューをラベル付き集合に転送する。 MVTec ADとMTDデータセットの実験は、我々の優位性を実証している。 既知のクラス番号では、MACOはそれぞれのデータセットでARIを6.5%改善し、$\textbf{16.3%}$をそれぞれ改善している。 より困難な未知数のシナリオでは、MTDで$\textbf{11.2%}$NMIゲインを達成し、MVTec ADで$\textbf{24.1%}$UPSで既存の数値推定戦略より優れている。 コードはhttps://github.com/HUST-SLOW/MACO.comでリリースされる。

関連論文リスト

• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Class-Independent Increment: An Efficient Approach for Multi-label Class-Incremental Learning [49.65841002338575]
  本稿では,MLCIL(Multi-label class-incremental Learning)問題に焦点をあてる。 マルチラベルサンプルに対して複数のクラスレベルの埋め込みを抽出する新しいクラス独立インクリメンタルネットワーク(CINet)を提案する。 クラス固有のトークンを構築することで、異なるクラスの知識を学び、保存する。
  論文  参考訳（メタデータ） (2025-03-01T14:40:52Z)
• AnomalyNCD: Towards Novel Anomaly Class Discovery in Industrial Scenarios [16.77348120041789]
  本稿では,異なる異常検出手法に適合する多クラス異常分類ネットワークであるAnomalyNCDを提案する。 異常の非優位性に対処するため,我々は主要素バイナライゼーション(MEBin)を設計し,異常中心の画像を得る。 次に、弱い意味を持つ異常を学習するために、マスクによって導かれる孤立した異常に焦点を当てたマスク誘導表現学習を設計する。
  論文  参考訳（メタデータ） (2024-10-18T11:07:12Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Identify ambiguous tasks combining crowdsourced labels by weighting Areas Under the Margin [13.437403258942716]
  曖昧なタスクは専門家の労働者を騙しかねない。 我々は、クラウドソースの学習シナリオにおいて、誤ってラベル付けされたデータを識別するために、AUM(Area Under the Margin)を適用する。 WAUMは、トレーニングセットからあいまいなタスクを捨てるのに役立ち、一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-30T11:16:20Z)
• On Non-Random Missing Labels in Semi-Supervised Learning [114.62655062520425]
  Semi-Supervised Learning (SSL)は基本的にラベルの問題である。 SSL に "class" を明示的に組み込んでいます。 提案手法は,既存のベースラインを著しく上回るだけでなく,他のラベルバイアス除去SSL法を上回ります。
  論文  参考訳（メタデータ） (2022-06-29T22:01:29Z)
• No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained Classification Problems [20.253644336965042]
  実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。 サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。 本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
  論文  参考訳（メタデータ） (2020-11-25T18:50:32Z)
• On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation [72.062661402124]
  余分なデータに晒された場合,PU分類と条件生成を共同で目標とする新たなトレーニングフレームワークを提案する。 我々は,CNI-CGANの最適条件を実証し,多様なデータセットについて広範な評価を行った。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)
• Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
  人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。 2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-07T17:16:41Z)

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。