論文の概要: Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks

• arxiv url: http://arxiv.org/abs/2002.01107v2
• Date: Wed, 5 Feb 2020 02:27:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 03:01:35.896293
• Title: Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks
• Title（参考訳）: 潜時正規化ガウス混合生成対向ネットワークによる音響異常検出
• Authors: Chengwei Chen and Pan Chen and Lingyu Yang and Jinyuan Mo and Haichuan Song and Yuan Xie and Lizhuang Ma
• Abstract要約: クラス不均衡の問題と異常な事例の欠如に悩まされる。 本稿では,ガウス混合生成適応ネットワーク(GMGAN)を半教師付き学習フレームワークで提案する。 実験により,本モデルは従来の手法よりも明らかに優れており,DCASEデータセットの最先端結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 30.970377781506258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acoustic anomaly detection aims at distinguishing abnormal acoustic signals from the normal ones. It suffers from the class imbalance issue and the lacking in the abnormal instances. In addition, collecting all kinds of abnormal or unknown samples for training purpose is impractical and timeconsuming. In this paper, a novel Gaussian Mixture Generative Adversarial Network (GMGAN) is proposed under semi-supervised learning framework, in which the underlying structure of training data is not only captured in spectrogram reconstruction space, but also can be further restricted in the space of latent representation in a discriminant manner. Experiments show that our model has clear superiority over previous methods, and achieves the state-of-the-art results on DCASE dataset.
• Abstract（参考訳）: 音響異常検出は、異常な音響信号を正常な信号と区別することを目的としている。 クラス不均衡の問題と異常な事例の欠如に悩まされる。 さらに、トレーニング目的のために、あらゆる種類の異常または未知のサンプルを収集することは、実用的で時間を要する。 本稿では,半教師あり学習の枠組みに基づいて,新しいガウス混合生成逆ネットワーク (gmgan) を提案し,その基礎となる構造はスペクトログラム再構成空間で捉えられるだけでなく,潜在表現の空間でも識別的に制限できることを示した。 実験により,本モデルは従来の手法よりも明らかに優れており,DCASEデータセットの最先端結果が得られることが示された。

関連論文リスト

• Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
  Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。 生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。 本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
  論文  参考訳（メタデータ） (2024-07-09T08:02:46Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection [5.1308092683559225]
  非教師付き異常音検出(ASD)は、正常な操作音の特徴を学習し、その偏差を感知することで、異常音を識別することを目的としている。 近年, 正規データの分類を利用した自己教師型タスクに焦点が当てられ, 高度なモデルでは, 異常データの表現空間の確保が重要であることが示されている。 本研究では,クラス内コンパクト性を確保し,正常試料と異常試料との角度ギャップを増大させる訓練手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:04:36Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with Anomaly-Aware Bidirectional GANs [15.399369134281775]
  異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。 本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。 本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:12:49Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
  本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。 実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。