ATAC-Net: Zoomed view works better for Anomaly Detection

要約

視覚的異常検出におけるディープラーニングの応用は、品質管理や製造での使用の可能性があるため、広く普及しています。
現在の標準的な方法は教師なしであり、クリーンなデータセットを利用してテスト中に逸脱を検出し、異常にフラグを立てます。
ただし、異常の種類が事前にわかっている場合にいくつかのサンプルを組み込むと、パフォーマンスが大幅に向上する可能性があります。
そこで、既知の以前の異常の最小限のセットから異常を検出するようにトレーニングするフレームワークである ATAC-Net を提案します。
さらに、トレーニング段階で疑わしい領域をより詳細に表示する、注意に基づくトリミングを導入します。
私たちのフレームワークは、異常を検出するための信頼性が高く、理解しやすいシステムであり、同等の環境における現在の最先端の技術のいくつかよりもそのフレームワークが優れていることを実証しています。

要約(オリジナル)

The application of deep learning in visual anomaly detection has gained widespread popularity due to its potential use in quality control and manufacturing. Current standard methods are Unsupervised, where a clean dataset is utilised to detect deviations and flag anomalies during testing. However, incorporating a few samples when the type of anomalies is known beforehand can significantly enhance performance. Thus, we propose ATAC-Net, a framework that trains to detect anomalies from a minimal set of known prior anomalies. Furthermore, we introduce attention-guided cropping, which provides a closer view of suspect regions during the training phase. Our framework is a reliable and easy-to-understand system for detecting anomalies, and we substantiate its superiority to some of the current state-of-the-art techniques in a comparable setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google