要約
異常検出では、さまざまな製品カテゴリにわたる異常を特定するのは複雑な作業です。
本稿では、結合超球ベースの特徴適応(CFA)の特徴抽出プロセスに、改良型正則化判別変分自動エンコーダ(RD-VAE)によって得られるクラス判別特性を組み込むことにより、新しいモデルを導入します。
そうすることで、提案されている正則化判別結合ハイパースフィアベースの特徴適応 (RD-CFA) は、マルチクラス異常検出のソリューションを形成します。
RD-VAE の識別力を使用して複雑なクラス分布を捕捉し、CFA の堅牢な異常検出機能と組み合わせることで、提案された方法はさまざまなクラスにわたる異常の識別に優れています。
MVTec AD および BeanTech AD データセットを使用したマルチクラスの異常検出と位置特定に関する広範な評価では、8 つの主要な現代手法と比較した RD-CFA の有効性が示されています。
要約(オリジナル)
In anomaly detection, identification of anomalies across diverse product categories is a complex task. This paper introduces a new model by including class discriminative properties obtained by a modified Regularized Discriminative Variational Auto-Encoder (RD-VAE) in the feature extraction process of Coupled-hypersphere-based Feature Adaptation (CFA). By doing so, the proposed Regularized Discriminative Coupled-hypersphere-based Feature Adaptation (RD-CFA), forms a solution for multi-class anomaly detection. By using the discriminative power of RD-VAE to capture intricate class distributions, combined with CFA’s robust anomaly detection capability, the proposed method excels in discerning anomalies across various classes. Extensive evaluations on multi-class anomaly detection and localization using the MVTec AD and BeanTech AD datasets showcase the effectiveness of RD-CFA compared to eight leading contemporary methods.
arxiv情報
著者 | Mehdi Rafiei,Alexandros Iosifidis |
発行日 | 2023-11-24 14:26:07+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google