Blind Localization and Clustering of Anomalies in Textures

要約

画像内の異常検出と位置特定は、コンピューター ビジョンの成長分野です。
この分野で、一見十分に研究されていない問題は、異常クラスタリング、つまり、完全に監視されていない方法でさまざまな種類の異常を識別し、グループ化することです。
この研究では、ブラインド設定でほとんど静止した画像 (テクスチャ) 内の異常をクラスタリングするための新しい方法を提案します。
つまり、入力は、区別やラベルのない正常な画像と異常な画像で構成されます。
この作業の難しさの原因は、異常な領域が小さく、外観のわずかな変化しか示さない可能性があり、テクスチャの実際の変化によって容易に覆い隠されてしまう可能性があることです。
さらに、各異常の種類は複雑な出現分布を持つ場合があります。
我々は、盲目的な異常位置特定と対照学習の組み合わせを使用して、この課題を解決するための新しいスキームを導入します。
異常な領域を高い忠実度で特定することにより、焦点をそれらの関心のある領域に限定することができます。
次に、対照学習を使用して、さまざまな異常タイプの分離性を高め、クラス内の変動を低減します。
私たちの実験では、提案されたソリューションが従来の研究と比較して大幅に優れた結果をもたらし、新たな最先端技術を確立したことを示しています。
プロジェクトページ: https://reality.tf.fau.de/pub/ardelean2024blind.html

要約(オリジナル)

Anomaly detection and localization in images is a growing field in computer vision. In this area, a seemingly understudied problem is anomaly clustering, i.e., identifying and grouping different types of anomalies in a fully unsupervised manner. In this work, we propose a novel method for clustering anomalies in largely stationary images (textures) in a blind setting. That is, the input consists of normal and anomalous images without distinction and without labels. What contributes to the difficulty of the task is that anomalous regions are often small and may present only subtle changes in appearance, which can be easily overshadowed by the genuine variance in the texture. Moreover, each anomaly type may have a complex appearance distribution. We introduce a novel scheme for solving this task using a combination of blind anomaly localization and contrastive learning. By identifying the anomalous regions with high fidelity, we can restrict our focus to those regions of interest; then, contrastive learning is employed to increase the separability of different anomaly types and reduce the intra-class variation. Our experiments show that the proposed solution yields significantly better results compared to prior work, setting a new state of the art. Project page: https://reality.tf.fau.de/pub/ardelean2024blind.html.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google