Discrepancy Scaling for Fast Unsupervised Anomaly Localization

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

Computer vision systems can automatically find and segment anomalies in images even without ever seeing anomalous observations during training. Many methods for such unsupervised anomaly detection (AD) and localization (AL) tasks have been introduced in recent years, but the most accurate methods tend to be computationally heavy. In this paper, we propose Discrepancy Scaling, a method that significantly improves the accuracy of a very fast AD and AL approach called Student-Teacher Feature Pyramid Matching. We show that with Discrepancy Scaling, even a small, mobile-friendly convolutional neural network can perform well on AD and AL tasks.
Alkuperäiskielienglanti
Otsikko2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC)
Sivumäärä6
KustantajaIEEE
Julkaisupäiväelok. 2023
Sivut274-279
ISBN (elektroninen)979-8-3503-2697-0
DOI - pysyväislinkit
TilaJulkaistu - elok. 2023
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaAnnual Computers, Software, and Applications Conference - Torino, Italia
Kesto: 26 kesäk. 202330 kesäk. 2023
Konferenssinumero: 47

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä