Buchumschlag

Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Barusco, Manuel, D'Antoni, Lorenzo, Pezze, Davide Dalle, Borsatti, Francesco, Susto, Gian Antonio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions
von: Barusco, Manuel, et al.
Veröffentlicht: (2026)

AdapTS: Lightweight Teacher-Student Approach for Multi-Class and Continual Visual Anomaly Detection
von: Barusco, Manuel, et al.
Veröffentlicht: (2026)

Towards Continual Visual Anomaly Detection in the Medical Domain
von: Barusco, Manuel, et al.
Veröffentlicht: (2025)

Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices
von: Stropeni, Arianna, et al.
Veröffentlicht: (2026)

MoViAD: A Modular Library for Visual Anomaly Detection
von: Barusco, Manuel, et al.
Veröffentlicht: (2025)

PaSTe: Improving the Efficiency of Visual Anomaly Detection at the Edge
von: Barusco, Manuel, et al.
Veröffentlicht: (2024)

Towards Scalable IoT Deployment for Visual Anomaly Detection via Efficient Compression
von: Stropeni, Arianna, et al.
Veröffentlicht: (2025)

MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection
von: Hu, Jinwei, et al.
Veröffentlicht: (2026)

Evaluating Modern Visual Anomaly Detection Approaches in Semiconductor Manufacturing: A Comparative Study
von: Barusco, Manuel, et al.
Veröffentlicht: (2025)

Explainable Visual Anomaly Detection via Concept Bottleneck Models
von: Stropeni, Arianna, et al.
Veröffentlicht: (2025)

VAD4Space: Visual Anomaly Detection for Planetary Surface Imagery
von: Genilotti, Fabrizio, et al.
Veröffentlicht: (2026)

From Vision to Sound: Advancing Audio Anomaly Detection with Vision-Based Algorithms
von: Barusco, Manuel, et al.
Veröffentlicht: (2025)

AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving
von: Genilotti, Fabrizio, et al.
Veröffentlicht: (2026)

Unveiling the Anomalies in an Ever-Changing World: A Benchmark for Pixel-Level Anomaly Detection in Continual Learning
von: Bugarin, Nikola, et al.
Veröffentlicht: (2024)

Continual Learning Approaches for Anomaly Detection
von: Pezze, Davide Dalle, et al.
Veröffentlicht: (2022)

Teach YOLO to Remember: A Self-Distillation Approach for Continual Object Detection
von: De Monte, Riccardo, et al.
Veröffentlicht: (2025)

Deep Learning for Virtual Reality User Identification: A Benchmark
von: Frizzo, Davide, et al.
Veröffentlicht: (2026)

Latent Distillation for Continual Object Detection at the Edge
von: Pasti, Francesco, et al.
Veröffentlicht: (2024)

Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark
von: Ceccon, Marina, et al.
Veröffentlicht: (2024)

Domain Adaptation for Image Classification of Defects in Semiconductor Manufacturing
von: Poniatowski, Adrian, et al.
Veröffentlicht: (2025)

Fairness Evolution in Continual Learning for Medical Imaging
von: Ceccon, Marina, et al.
Veröffentlicht: (2024)

TiROD: Tiny Robotics Dataset and Benchmark for Continual Object Detection
von: Pasti, Francesco, et al.
Veröffentlicht: (2024)

Replay Consolidation with Label Propagation for Continual Object Detection
von: De Monte, Riccardo, et al.
Veröffentlicht: (2024)

Function Based Isolation Forest (FuBIF): A Unifying Framework for Interpretable Isolation-Based Anomaly Detection
von: Arcudi, Alessio, et al.
Veröffentlicht: (2025)

A Quantile Regression Approach for Remaining Useful Life Estimation with State Space Models
von: Frizzo, Davide, et al.
Veröffentlicht: (2025)

Towards Transparent and Efficient Anomaly Detection in Industrial Processes through ExIFFI
von: Frizzo, Davide, et al.
Veröffentlicht: (2024)

Continual Learning for Behavior-based Driver Identification
von: Fanan, Mattia, et al.
Veröffentlicht: (2024)

ProDER: A Continual Learning Approach for Fault Prediction in Evolving Smart Grids
von: Efatinasab, Emad, et al.
Veröffentlicht: (2025)

Bayesian Deep Learning for Remaining Useful Life Estimation via Stein Variational Gradient Descent
von: Della Libera, Luca, et al.
Veröffentlicht: (2024)

Underrepresentation, Label Bias, and Proxies: Towards Data Bias Profiles for the EU AI Act and Beyond
von: Ceccon, Marina, et al.
Veröffentlicht: (2025)

Continuous Memory Representation for Anomaly Detection
von: Lee, Joo Chan, et al.
Veröffentlicht: (2024)

On-Device Continual Learning for Unsupervised Visual Anomaly Detection in Dynamic Manufacturing
von: Ren, Haoyu, et al.
Veröffentlicht: (2025)

Continual Learning by Three-Phase Consolidation
von: Maltoni, Davide, et al.
Veröffentlicht: (2024)

Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions
von: Weatherly, Chad, et al.
Veröffentlicht: (2026)

EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies
von: Batzner, Kilian, et al.
Veröffentlicht: (2023)

CADIC: Continual Anomaly Detection Based on Incremental Coreset
von: Yang, Gen, et al.
Veröffentlicht: (2025)

FedDyMem: Efficient Federated Learning with Dynamic Memory and Memory-Reduce for Unsupervised Image Anomaly Detection
von: Chen, Silin, et al.
Veröffentlicht: (2025)

Divide and Conquer: High-Resolution Industrial Anomaly Detection via Memory Efficient Tiled Ensemble
von: Rolih, Blaž, et al.
Veröffentlicht: (2024)

Disentangling Visual Priors: Unsupervised Learning of Scene Interpretations with Compositional Autoencoder
von: Krawiec, Krzysztof, et al.
Veröffentlicht: (2024)

AIVD: Adaptive Edge-Cloud Collaboration for Accurate and Efficient Industrial Visual Detection
von: Hu, Yunqing, et al.
Veröffentlicht: (2026)