arXiv:2404.03743

Test Time Training for Industrial Anomaly Segmentation

Alex Costanzino, Pierluigi Zama Ramirez, Mirko Del Moro, Agostino Aiezzo, Giuseppe Lisanti, Samuele Salti, Luigi Di Stefano

제출 2024-04-04

원문 초록

Anomaly Detection and Segmentation (AD&S) is crucial for industrial quality control. While existing methods excel in generating anomaly scores for each pixel, practical applications require producing a binary segmentation to identify anomalies. Due to the absence of labeled anomalies in many real scenarios, standard practices binarize these maps based on some statistics derived from a validation set containing only nominal samples, resulting in poor segmentation performance. This paper addresses this problem by proposing a test time training strategy to improve the segmentation performance. Indeed, at test time, we can extract rich features directly from anomalous samples to train a classifier that can discriminate defects effectively. Our general approach can work downstream to any AD&S method that provides an anomaly score map as output, even in multimodal settings. We demonstrate the effectiveness of our approach over baselines through extensive experimentation and evaluation on MVTec AD and MVTec 3D-AD.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20871v1cond-mat.mes-hall공통 태그 Segmentation, Anomaly Detection

격리된 이중 양자점의 전하 상태 특성화를 위한 머신러닝

Machine Learning for Charge State Characterization of Isolated Double Quantum Dots

반도체 양자점 배열을 내결함성(fault-tolerant) 양자 컴퓨팅으로 확장하려면 스핀 큐비트의 효율적인 튠업(tuneup)이 필요하며, 이 과정은 전하 안정성 맵(CSM) 분석에 의존하고 대부분 수작업으로 이루어진다. 머신러닝은 저수지 결합(reservoir-coupled) 장치에서 CSM 분석에 널리 적용되어 왔지만, 점점 더 중요해지는 격리 모드(isolated-mode) 영역에서의 자동 튠업은 제한적인 관심만 받아왔다. 격리 모드 CSM에서는 전하 전이가 거의 수직인 선으로 나타나므로, 이는 컴팩트하고 작업 특화 모델에 잘 적합하다. 우리는 자동화된 극저온 프로빙 시스템을 사용하여 약 1 K에서 측정한 32개의 실리콘 금속-산화물-반도체(SiMOS) 이중 양자점 장치에서 수집한 CSM으로 학습된, 100만 개 미만의 파라미터를 갖는 두 개의 합성곱 신경망(CNN)을 제시한다. 16개 장치는 학습에 사용되었고 16개는 수작업 라벨링된 정답(ground truth)에 대비한 장치 간 일반화를 평가하기 위해 홀드아웃되었다. CSMClassifier는 전하 불안정성과 센서 아티팩트(artifact)를 식별하며, 2,407개의 홀드아웃 이미지에서 세 가지 품질 클래스에 대해 94%의 매크로 평균 정확도를 달성한다. ChargeLineNet은 전하 전이선을 국소화하고 전자 점유(occupancy)를 결정하며, 1,131개의 홀드아웃 이미지에서 95.3%의 정확한 선 개수 정확도를 달성한다. 단일 파이프라인으로 결합하면, 모델은 깨끗한(clean) 홀드아웃 이미지의 93.8%에 대해 전자 점유를 올바르게 결정한다. 합성 이미지에 대한 사전학습은 라벨 효율성을 크게 향상시킨다. 제한된 실험 데이터로 사전학습된 모델을 미세조정하면 90% 이상의 정확도를 유지하는 반면, 처음부터 학습하면 동일 조건에서 정확도가 크게 저하된다. 두 모델을 합치면 6.5 MB만 차지하며 표준 실험실 하드웨어에서 60 ms 미만으로 이미지를 처리하여, 양자점 장치의 확장 가능한 자동 특성화 및 튠업을 향한 실용적인 경로를 보여준다.

arXiv:2607.12858v1cs.CV공통 태그 Anomaly Detection, Anomaly Segmentation

LARAD: 공간-논리 추론 기반 레이아웃 인식 도로 이상 탐지

LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning

정확한 오픈 월드 장애물 탐지는 자율 주행에 매우 중요하다. 현재의 이상 분할(anomaly segmentation) 방법은 근본적인 사각지대를 가지고 있다. 분포 밖(out-of-distribution, OoD) 객체를 식별하기 위해 텍스처 신기성에 과도하게 의존하는 반면, 맥락적 공간 논리는 무시한다. 또한, 이로 인한 오탐(false positive)을 완화하려면 대규모 비전 모델을 연쇄적으로 배치해야 하는 경우가 많아, 수용하기 어려운 추론 지연이 발생한다. 이 문제를 해결하기 위해, 우리는 레이아웃 인식 도로 이상 탐지(LARAD)를 제안하며, 패러다임을 외형 매칭에서 공간-논리 추론으로 전환한다. 먼저, 텍스처는 일관적이지만 공간적으로는 유효하지 않은 학습 샘플을 생성하여 모델이 맥락적 위반을 학습하도록 하는 공간-논리 위반 합성(SLVS) 파이프라인을 도입한다. 둘째로, 표준 클로즈드셋(closed-set) 분할 네트워크에 경량의 OoD 유도 어텐션 분기를 추가한다. 광범위한 실험을 통해 LARAD가 논리적 이상에 대한 견고성을 크게 향상시키고, 단일 모델 아키텍처의 높은 효율성을 유지하면서 새로운 최신(state-of-the-art) 성능을 달성함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.