論文の概要: Graph Embedded Pose Clustering for Anomaly Detection

• arxiv url: http://arxiv.org/abs/1912.11850v2
• Date: Fri, 10 Apr 2020 13:57:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-10 08:19:18.014923
• Title: Graph Embedded Pose Clustering for Anomaly Detection
• Title（参考訳）: 異常検出のためのグラフ埋め込みポーズクラスタリング
• Authors: Amir Markovitz, Gilad Sharir, Itamar Friedman, Lihi Zelnik-Manor, Shai Avidan
• Abstract要約: 本稿では,人間の行動の異常検出のための新しい手法を提案する。 提案手法は,入力ビデオシーケンスから計算可能な人間のポーズグラフを直接処理する。
• 参考スコア（独自算出の注目度）: 26.67776207402131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new method for anomaly detection of human actions. Our method works directly on human pose graphs that can be computed from an input video sequence. This makes the analysis independent of nuisance parameters such as viewpoint or illumination. We map these graphs to a latent space and cluster them. Each action is then represented by its soft-assignment to each of the clusters. This gives a kind of "bag of words" representation to the data, where every action is represented by its similarity to a group of base action-words. Then, we use a Dirichlet process based mixture, that is useful for handling proportional data such as our soft-assignment vectors, to determine if an action is normal or not. We evaluate our method on two types of data sets. The first is a fine-grained anomaly detection data set (e.g. ShanghaiTech) where we wish to detect unusual variations of some action. The second is a coarse-grained anomaly detection data set (e.g., a Kinetics-based data set) where few actions are considered normal, and every other action should be considered abnormal. Extensive experiments on the benchmarks show that our method performs considerably better than other state of the art methods.
• Abstract（参考訳）: 本稿では,人間の行動の異常検出法を提案する。 本手法は,入力映像列から計算可能な人間のポーズグラフに対して直接動作する。 これにより、分析は視点や照明などのニュアンスパラメータから独立する。 これらのグラフを潜在空間にマップし、クラスタ化する。 それぞれのアクションは、各クラスタに対するソフトアサインメントによって表現される。 これはデータにある種の「単語の袋」表現を与え、全てのアクションは基本アクションワードのグループとの類似性によって表現される。 次に,soft-assignment vectorsのような比例データを扱うのに有用なdirichletプロセスに基づく混合法を用いて,動作が正常かどうかを判定する。 本手法を2種類のデータセットで評価する。 1つ目は、いくつかのアクションの異常なバリエーションを検出したい、きめ細かな異常検出データセット(上海技術など)である。 2つ目は粗粒度異常検出データセット(例えば、運動力学に基づくデータセット)で、正常なアクションは少なく、他のすべてのアクションは異常とみなされるべきである。 ベンチマーク実験により,本手法が他の手法よりも優れた性能を示した。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Common-Sense Bias Discovery and Mitigation for Classification Tasks [16.8259488742528]
  画像記述に基づいてデータセットの特徴クラスタを抽出するフレームワークを提案する。 解析された特徴と相関は人間に解釈可能であるので、我々はCommon-Sense Bias Discovery (CSBD) という手法を名づける。 実験の結果,2つのベンチマーク画像データセットに対して,複数の分類タスクに新たなバイアスが生じることがわかった。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Normalizing Flows for Human Pose Anomaly Detection [14.540314605022791]
  我々は,人間のポーズの異常検出に問題を蒸留し,その結果に影響を及ぼす外観などのパラメータのリスクを低減させる。 我々のモデルは人間のポーズグラフのシーケンスを直接処理し、非常に軽量(1Kパラメータ)である。 我々は,教師なし上海技術データセットと教師なしUB正規データセットという,2つの異常検出ベンチマークの最先端結果を報告する。
  論文  参考訳（メタデータ） (2022-11-20T11:02:50Z)
• Latent Outlier Exposure for Anomaly Detection with Contaminated Data [31.446666264334528]
  異常検出は、ラベルなしデータセットの大多数のデータから体系的なずれを示すデータポイントを特定することを目的としている。 本稿では,広範囲のモデルと互換性のあるラベルのない異常が存在する場合に,異常検知器を訓練するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-16T14:21:28Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Prototypical Graph Contrastive Learning [141.30842113683775]
  本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。 具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。 クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
  論文  参考訳（メタデータ） (2021-06-17T16:45:31Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Copula Quadrant Similarity for Anomaly Scores [0.0]
  複数の異常検出アルゴリズムのスコアを関連付けるためのフレームワークを提案する。 一対のアルゴリズムは、最も高いスコアをほぼ同じ観測値に割り当てる場合に類似するように定義されている。 提案手法は,異常検出アルゴリズムのクラスタを検出し,高精度でロバストなアンサンブルアルゴリズムを実現することを実証する。
  論文  参考訳（メタデータ） (2021-01-07T02:19:36Z)
• Preprocessing noisy functional data using factor models [0.0]
  観測点の離散集合上で計測された関数的データを検討する。 信号と雑音は自然に因子モデルの共通かつ慣用的な成分として表すことができる。
  論文  参考訳（メタデータ） (2020-12-10T16:54:44Z)
• Fast and Accurate Anomaly Detection in Dynamic Graphs with a Two-Pronged Approach [49.25767340466445]
  動的グラフにおける異常検出のためのオンラインアルゴリズムAnomRankを提案する。 AnomRank氏は、異常を示す2つの新しいメトリクスを定義する2段階のアプローチを使用している。 理論的,実験的に,この2つのアプローチが共通の2種類の異常の検出に成功していることを示す。
  論文  参考訳（メタデータ） (2020-11-26T01:38:27Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。