HyperAIHyperAI

Command Palette

Search for a command to run...

كشف الانحرافات باستخدام نماذج التمايز التلقائي المشروطة

Arian Mousakhan Thomas Brox Jawad Tayyub

الملخص

واجهت الطرق التقليدية القائمة على إعادة البناء صعوبات في تحقيق أداء تنافسي في كشف الشذوذ. في هذه الورقة، نقدم طريقة "كشف الشذوذ بالتفكيك التفريقي" (DDAD)، وهي عملية تفكيك مبتكرة لإعادة بناء الصور مع الاعتماد على صورة هدفية. وضمانًا لإعادة بناء متماسكة تشبه الصورة الهدف بشكل وثيق. يستخدم إطار عمل كشف الشذوذ لدينا آلية التوجيه، حيث تُوضع الصورة الهدفية كمدخل لتسهيل عملية التفكيك، مما يؤدي إلى إعادة بناء خالية من العيوب مع الحفاظ على الأنماط القياسية. ثم يتم تحديد مواقع الشذوذ من خلال مقارنة نقطية ومحورية بين الصورة المدخلة والصورة المعاد بناؤها. وأخيرًا، لتعزيز فعالية المقارنة المحورية، نقدم طريقة تكييف مجالية تستخدم أمثلة مولدة شبه متطابقة من عملية التفكيك الموجهة لضبط مُستخرج الميزات المُدرّب مسبقًا. وقد أثبتت نتائج DDAD صحتها على مجموعة متنوعة من المجموعات البيانات، بما في ذلك معايير MVTec وVisA، حيث حققت نتائج متفوقة على مستوى المجالات، بتحقيق معدلات AUROC على مستوى الصورة تبلغ 99.8% و98.9% على التوالي.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
كشف الانحرافات باستخدام نماذج التمايز التلقائي المشروطة | مستندات | HyperAI