論文の概要: InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.15032v1
• Date: Sat, 10 Oct 2026 16:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.144329
• Title: InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection
• Title（参考訳）: InCLAD: 産業用視覚異常検出のための連続学習ベンチマーク
• Abstract要約: 我々は、静的列車/テスト問題ではなく、連続ベンチマークとして産業異常検出を再検討した。 本研究は, 発展途上の産業環境における知識保持, 適応, 一般化研究への具体的な道筋を確立するものである。
• 参考スコア（独自算出の注目度）: 3.2160314254654634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial anomaly detection benchmarks have advanced rapidly, yet they remain largely static and therefore underrepresent deployment settings in which inspection systems must be extended from one industrial component to another over time. In our setting, continual industrial anomaly detection is framed as a task-incremental problem: each component defines a task, while the learning objective remains semi-supervised. The goal extends beyond conventional anomaly detection, since models should preserve their performance on all components as they are sequentially exposed to new components. This framing is especially relevant because many existing industrial pipelines either assume fully supervised defect labels or study only isolated datasets, leaving open the question of how semi-supervised anomaly detectors behave across a sequence of heterogeneous components. We address this gap by organizing the benchmark as a sequence of related component-level tasks and by defining multiple scenarios, including random, easy-to-hard, and hard-to-easy. In addition to single-dataset continual scenarios, we propose challenging scenarios spanning across multiple datasets. We further evaluate continual performance from two complementary perspectives: image-level anomaly detection and pixel-level anomaly localization. By recasting industrial anomaly detection as a continual benchmark rather than a static train/test problem, our work establishes a concrete path toward studying knowledge retention, adaptation, and generalization in evolving industrial environments.
• Abstract（参考訳）: 産業異常検出ベンチマークは急速に進歩しているが、それらはほとんど静的であり、それゆえ、検査システムがある産業コンポーネントから別の産業コンポーネントに時間をかけて拡張されなければならない配置設定が不足している。 我々の設定では、連続的な産業異常検出はタスク増分問題として、各コンポーネントがタスクを定義し、学習目的は半教師付きのままである。 モデルは、新しいコンポーネントにシーケンシャルに露出されているため、すべてのコンポーネントのパフォーマンスを維持する必要がある。 このフレーミングは、多くの既存の産業用パイプラインが完全な教師付き欠陥ラベルを仮定するか、孤立したデータセットのみを研究するかのいずれかであり、半監督型異常検出器が不均一なコンポーネントの連続に対してどのように振る舞うかという疑問が残る。 このギャップに対処するために、ベンチマークを関連するコンポーネントレベルのタスクのシーケンスとして整理し、ランダム、易難易度、難易度を含む複数のシナリオを定義する。 単一データセット連続シナリオに加えて、複数のデータセットにまたがる挑戦的なシナリオを提案する。 さらに,画像レベルの異常検出と画素レベルの異常局所化という2つの相補的な視点から連続的な性能を評価する。 静的な列車・テスト問題ではなく,産業異常検出を連続ベンチマークとして再キャストすることにより,産業環境の進化における知識保持,適応,一般化の研究に向けた具体的な道筋を確立する。

関連論文リスト

• O-VAD: Industrial Video Anomaly Detection through Object-Centric Tracking and Reasoning [25.69002873920198]
  産業ビデオ異常検出(IVAD)は、産業プロセスにおける異常な物体や事象を特定することを目的としている。 既存のVLMベースの異常推論手法は、一般領域におけるオープンエンドな異常を検出することができる。 ドメイン固有知識のない異常検出のためのトレーニングフリーエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-20T16:36:00Z)
• UniSLAD: A Unified Framework for Structural and Logical Industrial Visual Anomaly Detection [4.587829504952397]
  我々はUniSLADと呼ばれる統一されたフレームワークを提案し、追加のトレーニングなしで論理的および構造的異常に共同で対処する。 まず、局所的なテクスチャ認識のための畳み込みニューラルネットワーク(CNN)バックボーンと、グローバルな文脈推論のためのTransformerバックボーンを相乗的に統合する2機能抽出器を提案する。 パッチレベルでは、Mahalanobis Transform (MT)によって強化されたメモリバンクは、代表的特徴を保持し、より差別的な異常スコアをサポートする。
  論文  参考訳（メタデータ） (2026-06-18T13:11:31Z)
• IMPACT: A Dataset for Multi-Granularity Human Procedural Action Understanding in Industrial Assembly [79.737814043505]
  IMPACTは、デプロイメント指向の産業手続き的理解のための5ビューのRGB-Dデータセットである。 実際の組み立てと、プロ向けのツールを備えた商業用アングルグラインダーの分解を中心に構築されている。
  論文  参考訳（メタデータ） (2026-04-12T02:09:19Z)
• Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection [37.057760207060554]
  コラボレーティブ・リコンストラクション・アンド・リコンストラクション(CRR)は、リコンストラクションを修復に変換する。 我々は,デコーダからの表現が十分なローカル情報を含むことを保証するために,特徴レベルのランダムマスキングを実装した。 我々は,合成異常マスクによって教師されるセグメンテーションネットワークを訓練し,ローカライゼーション性能を向上させる。
  論文  参考訳（メタデータ） (2025-12-12T09:24:23Z)
• 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)
• OoDIS: Anomaly Instance Segmentation and Detection Benchmark [57.89836988990543]
  この作業は、インスタンスセグメンテーションとオブジェクト検出タスクを含むために、よく使われる異常セグメンテーションベンチマークを拡張します。 異常セグメンテーションおよびオブジェクト検出手法の評価は,これらの課題が未解決問題のままであることを示す。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Component-aware anomaly detection framework for adjustable and logical industrial visual inspection [4.444590838289701]
  我々は新しいコンポーネント認識異常検出フレームワーク(ComAD)を提案する。 産業シナリオに対する調整可能かつ論理的異常検出を同時に達成することができる。 本フレームワークは,画像レベルの論理異常検出における最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-05-15T10:18:52Z)

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。