Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation

要約

異常検知において、多様な製品カテゴリにまたがる異常の識別は複雑なタスクである。本論文では、正則化判別型変分オートエンコーダ（RD-VAE）により得られたクラス識別特性を、結合球型特徴適応（CFA）の特徴抽出プロセスに含めることで、新しいモデルを導入する。これにより、提案する正則化判別型超球型結合特徴適応(RD-CFA)は、マルチクラス異常検出のためのソリューションを形成する。複雑なクラス分布を捉えるRD-VAEの識別力と、CFAのロバストな異常検知能力を組み合わせることで、提案手法は様々なクラスにわたる異常を識別することに優れている。MVTec ADとBeanTech ADデータセットを用いたマルチクラス異常検知とローカライゼーションに関する広範な評価により、RD-CFAが8つの主要な現代的手法と比較して有効であることを示す。

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

提供元, 利用サービス

arxiv.jp, DeepL