2nd Place Winning Solution for the CVPR2023 Visual Anomaly and Novelty Detection Challenge: Multimodal Prompting for Data-centric Anomaly Detection

要約

この技術レポートでは、CVPR2023 Visual Anomaly and Novelty Detection (VAND) チャレンジで Segment Any Anomaly チームが優勝したソリューションを紹介します。
言語プロンプトなどの単一モーダル プロンプトを超えて、カスケードされた最新の基礎モデルの正則化のためのマルチモーダル プロンプトを使用したゼロショット異常セグメンテーションのための新しいフレームワーク、つまり Segment Any Anomaly + (SAA$+$) を提示します。
。
Segment Anything のような基盤モデルの優れたゼロショット一般化機能に触発され、まずそのアセンブリ (SAA) を探索し、異常位置特定のために多様なマルチモーダル事前知識を活用します。
続いて、ドメインの専門知識とターゲット画像コンテキストから導き出されたマルチモーダル プロンプト (SAA$+$) をさらに導入し、基礎モデルの異常セグメンテーションへのノンパラメーター適応を可能にします。
提案された SAA$+$ モデルは、ゼロショット設定で、VisA や MVTec-AD を含むいくつかの異常セグメンテーション ベンチマークで最先端のパフォーマンスを達成します。
CVPR2023 VAN の受賞ソリューションのコードをリリースします。

要約(オリジナル)

This technical report introduces the winning solution of the team Segment Any Anomaly for the CVPR2023 Visual Anomaly and Novelty Detection (VAND) challenge. Going beyond uni-modal prompt, e.g., language prompt, we present a novel framework, i.e., Segment Any Anomaly + (SAA$+$), for zero-shot anomaly segmentation with multi-modal prompts for the regularization of cascaded modern foundation models. Inspired by the great zero-shot generalization ability of foundation models like Segment Anything, we first explore their assembly (SAA) to leverage diverse multi-modal prior knowledge for anomaly localization. Subsequently, we further introduce multimodal prompts (SAA$+$) derived from domain expert knowledge and target image context to enable the non-parameter adaptation of foundation models to anomaly segmentation. The proposed SAA$+$ model achieves state-of-the-art performance on several anomaly segmentation benchmarks, including VisA and MVTec-AD, in the zero-shot setting. We will release the code of our winning solution for the CVPR2023 VAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google