Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
TMUAD: Mejora de las capacidades lógicas en modelos unificados de detección de anomalías con un banco de memoria de texto
Created by
Haebom
Autor
Jiawei Liu, Jiahe Hou, Wei Wang, Jinsong Du, Yang Cong, Huijie Fan
Describir
Este documento propone un marco de tres memorias para la detección unificada de anomalías estructurales y lógicas (TMUAD), que mejora la detección de anomalías lógicas al introducir un banco de memoria de texto, a diferencia de los enfoques integrados existentes, para abordar el desafío de la detección de valores atípicos debido a la falta de datos normales. TMUAD construye un banco de memoria de texto a nivel de clase utilizando un extractor de texto con reconocimiento lógico propuesto para capturar descripciones lógicas enriquecidas de objetos en imágenes. Luego extrae características de objetos segmentados para construir un banco de memoria de imagen a nivel de objeto y extrae características de imagen a nivel de parche para construir un banco de memoria a nivel de parche. Usando estos tres bancos de memoria complementarios, recupera y compara las imágenes normales más similares a la imagen de consulta, calcula puntajes de valores atípicos de múltiples niveles y los fusiona en un puntaje de valores atípicos final. Este enfoque unificado logra un rendimiento de vanguardia en siete conjuntos de datos disponibles públicamente de los campos industriales y médicos al integrar la detección de anomalías estructurales y lógicas. El modelo y el código están disponibles en https://github.com/SIA-IDE/TMUAD .
