यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र CostFilter-AD का प्रस्ताव करता है, जो गहराई और प्रवाह अनुमान जैसे पारंपरिक मिलान कार्यों से उधार ली गई लागत फ़िल्टरिंग अवधारणा को UAD समस्या में प्रस्तुत करता है ताकि मौजूदा अप्रशिक्षित विसंगति पहचान (UAD) विधियों में छवि- या विशेषता-स्तरीय मिलान पर निर्भर होकर विसंगति स्कोर प्राप्त करने की प्रक्रिया में अशुद्धि की समस्या का समाधान किया जा सके। CostFilter-AD इनपुट और सामान्य नमूनों के बीच एक मिलान लागत आयतन का निर्माण करता है, और इनपुट प्रेक्षणों द्वारा निर्देशित लागत आयतन फ़िल्टरिंग नेटवर्क के माध्यम से किनारा संरचना को संरक्षित करते हुए और सूक्ष्म विसंगतियों को पकड़ते हुए मिलान शोर को दबाता है। इसे एक सामान्य पोस्ट-प्रोसेसिंग प्लगइन के रूप में डिज़ाइन किया गया है जिसे पुनर्निर्माण-आधारित और एम्बेडिंग-आधारित दोनों विधियों में एकीकृत किया जा सकता है। MVTec-AD और VisA बेंचमार्क पर व्यापक प्रयोग एकल- और बहु-वर्ग UAD कार्यों दोनों के लिए CostFilter-AD के सामान्य लाभों को प्रदर्शित करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
एक नया दृष्टिकोण प्रस्तुत किया गया है जो मौजूदा यूएडी विधियों की मिलान प्रक्रिया के दौरान उत्पन्न होने वाली अशुद्धि संबंधी समस्याओं को प्रभावी ढंग से संबोधित करता है।
◦
एक सामान्य पोस्ट-प्रोसेसिंग प्लगइन के रूप में डिज़ाइन किया गया है जो पुनर्निर्माण-आधारित और एम्बेडिंग-आधारित दोनों विधियों पर लागू होता है, जिससे लचीलापन सुनिश्चित होता है।
◦
MVTec-AD और VisA बेंचमार्क में उत्कृष्ट प्रदर्शन सत्यापित।
◦
खुले कोड और मॉडल के माध्यम से पुनरुत्पादन और विस्तारशीलता प्रदान करता है।
•
Limitations:
◦
लागत मात्रा फ़िल्टरिंग नेटवर्क के डिज़ाइन और पैरामीटर ट्यूनिंग के विस्तृत विवरण का अभाव।
◦
विभिन्न विसंगति प्रकारों और डेटासेटों में सामान्यीकरण प्रदर्शन के आगे सत्यापन की आवश्यकता है।
◦
कम्प्यूटेशनल लागत और मेमोरी उपयोग के विश्लेषण का अभाव।
