論文の概要: LACToS: Local Anomaly Detection via Conditional Typicality of Superpixels

• arxiv url: http://arxiv.org/abs/2610.31538v1
• Date: Thu, 22 Oct 2026 16:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.482388
• Title: LACToS: Local Anomaly Detection via Conditional Typicality of Superpixels
• Title（参考訳）: LACToS:スーパーピクセルの条件定型性による局所異常検出
• Abstract要約: 本稿では,統計的典型に基づく局所OOD検出の原理的手法であるLACToSを提案する。 LACToSは医用画像,ヒトの顔,X線セキュリティスクリーニングにまたがる3種類の応用にまたがって評価を行った。
• 参考スコア（独自算出の注目度）: 4.4778811327815475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local anomaly detection is the task of identifying spatially confined anomalous or out-of-distribution (OOD) regions within an otherwise in-distribution (ID) image. Most existing methods are designed for a specific context, with a strong focus on industrial defect detection, where they achieve excellent performance on well-established benchmarks. However, we observe that these methods can exhibit significant performance drops in other contexts, especially when the inlier distribution is multimodal. To account for this inlier complexity, we propose LACToS, a principled local OOD detection method based on statistical typicality and made tractable through two innovations: (i) grouping pixels into superpixels and (ii) using a computationally efficient proxy to estimate typicality. We evaluate LACToS across three diverse applications spanning medical imaging, human faces, and X-ray security screening. LACToS performs more robustly than prior methods across these benchmarks. The code is released here: https://github.com/voilalab/LACToS.
• Abstract（参考訳）: 局所異常検出は、他の非分布(ID)画像内で、空間的に制限された異常またはアウト・オブ・ディストリビューション(OOD)領域を特定するタスクである。 既存のほとんどのメソッドは特定のコンテキスト向けに設計されており、工業的欠陥検出に重点を置いており、確立されたベンチマークで優れたパフォーマンスを実現している。 しかし,これらの手法は,特に不整合分布がマルチモーダルである場合,他の文脈において顕著な性能低下を示す可能性がある。 この複雑さを考慮し、統計的典型に基づく原理的局所OOD検出法であるLACToSを提案し、2つの革新を通して抽出可能とした。 (i)ピクセルをスーパーピクセルに分類し、 (二)計算効率の良いプロキシを用いて典型性を推定すること。 LACToSは医用画像,ヒトの顔,X線セキュリティスクリーニングにまたがる3種類の応用にまたがって評価を行った。 LACToSはこれらのベンチマークで以前のメソッドよりも堅牢に動作する。 コードは、https://github.com/voilalab/LACToS.comで公開されている。

関連論文リスト

• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Exploiting Diffusion Prior for Out-of-Distribution Detection [11.11093497717038]
  堅牢な機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 拡散モデルの生成能力とCLIPの強力な特徴抽出能力を活用する新しいOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T23:55:25Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• Multi-layer Aggregation as a key to feature-based OOD detection [1.2234742322758418]
  ディープラーニングモデルは、トレーニング段階で観察されなかった入力画像のバリエーションによって容易に妨げられ、予測不可能な予測をもたらす。 近年,訓練されたモデルの中間的特徴の分析に基づいて,新しい手法のカテゴリが出現している。 有望ではあるが、これらのアルゴリズムの適切な比較はいまだに欠けている。
  論文  参考訳（メタデータ） (2023-07-28T16:08:10Z)
• CRADL: Contrastive Representations for Unsupervised Anomaly Detection and Localization [2.8659934481869715]
  医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。 現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。 コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
  論文  参考訳（メタデータ） (2023-01-05T16:07:49Z)
• Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
  汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。 以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。 我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T03:43:16Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。