| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-01-30 11:00 PU学習を用いた異常検出のための生成データセットクレンジング ○大村怜史・菅間幸司（和歌山大）  PRMU2025-34 |
|
| 抄録 | （和） | 製造業の外観検査自動化において，異常データの収集困難性は大きな課題である．近年，生成モデルによるデータ拡張が研究されているが，生成データには低品質なものが存在する．そのようなデータは分類器の精度を下げる可能性がある．そこで本論文では，PU 学習(Positive-Unlabeled Learning) を用いて生成データセットから高品質なデータのみを選別するクレンジング手法を提案する．本手法では，実在するデータを「正例」，生成データ全体を「未ラベル」と定義し，データの「忠実度」と「多様度」のバランスの取れた選別比率を自動決定する．MVTec AD を用いた評価実験の結果，提案手法によりクレンジングされたデータセットは，未処理のデータと比較して，異常検知や領域特定などの下流タスクの精度を一貫して向上させることが確認された． |
| （英） | In automated visual inspection for manufacturing, the difficulty of collecting anomalous data remains a major challenge. Recently, data augmentation using generative models has been actively studied; however, generated datasets often contain low-quality samples, which can potentially degrade the performance of classifiers. To address this issue, this paper proposes a cleansing method that leverages Positive–Unlabeled (PU) learning to select only high-quality samples from generated datasets. In the proposed framework, real data are treated as positive examples, while the entire generated dataset is regarded as unlabeled. The method then automatically determines an appropriate selection ratio that balances data fidelity and diversity. Experimental evaluations on MVTec AD demonstrate that the cleansed datasets produced by the proposed method consistently improve the accuracy of downstream tasks, such as anomaly detection and localization, compared with using unprocessed generated data. | |
| キーワード | （和） | 異常検出 / データクレンジング / PU 学習 / / / / / |
| （英） | anomaly detection / data cleansing / Positive-Unlabeled Learning / / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 348, PRMU2025-34, pp. 55-60, 2026年1月. | |
| 資料番号 | PRMU2025-34 | |
| 発行日 | 2026-01-22 (PRMU) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | PRMU2025-34 |
|
| 研究会情報 | |
| 研究会 | PRMU IPSJ-CVIM VRSJ-SIG-MR MVE |
| 開催期間 | 2026-01-29 - 2026-01-30 |
| 開催地（和） | 大阪大学 豊中キャンパス |
| 開催地（英） | |
| テーマ（和） | CV/PR/XR技術のためのLLM応用 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | PRMU |
| 会議コード | 2026-01-PRMU-CVIM-SIG-MR-MVE |
| 本文の言語 | 日本語 |
| タイトル（和） | PU学習を用いた異常検出のための生成データセットクレンジング |
| サブタイトル（和） | |
| タイトル（英） | PU Learning-based Generated Dataset Cleansing for Anomaly Detection |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 異常検出 / anomaly detection |
| キーワード(2)（和/英） | データクレンジング / data cleansing |
| キーワード(3)（和/英） | PU 学習 / Positive-Unlabeled Learning |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 大村 怜史 / Reiji Omura / オオムラ レイジ |
| 第1著者 所属（和/英） | 和歌山大学 (略称： 和歌山大) Wakayama University (略称： Wakayama Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 菅間 幸司 / Koji Kamma / カンマ コウジ |
| 第2著者 所属（和/英） | 和歌山大学 (略称： 和歌山大) Wakayama University (略称： Wakayama Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-01-30 11:00:00 |
| 発表時間 | 15分 |
| 申込先研究会 | PRMU |
| 資料番号 | PRMU2025-34 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.348 |
| ページ範囲 | pp.55-60 |
| ページ数 | 6 |
| 発行日 | 2026-01-22 (PRMU) |
[研究会発表申込システムのトップページに戻る]