論文の概要: Memory Augmented Generative Adversarial Networks for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2002.02669v1
- Date: Fri, 7 Feb 2020 08:46:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 03:52:05.249053
- Title: Memory Augmented Generative Adversarial Networks for Anomaly Detection
- Title(参考訳): 異常検出のためのメモリ拡張ジェネレータネットワーク
- Authors: Ziyi Yang, Teng Zhang, Iman Soltani Bozchalooi, Eric Darve
- Abstract要約: メモリAugmented Generative Adrial Networks (MEMGAN) は、エンコーディングと生成の両方のためにメモリモジュールと相互作用する。
我々のアルゴリズムは、ほとんどのテキストエンコードされた正規データは、メモリユニットの凸内にあるが、異常データは外部から分離されている。
MEMGANのデコードメモリユニットは、従来の方法よりも解釈可能であり、また、メモリメカニズムの有効性を示す。
- 参考スコア(独自算出の注目度): 12.341523221155708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a memory-augmented algorithm for anomaly detection.
Classical anomaly detection algorithms focus on learning to model and generate
normal data, but typically guarantees for detecting anomalous data are weak.
The proposed Memory Augmented Generative Adversarial Networks (MEMGAN)
interacts with a memory module for both the encoding and generation processes.
Our algorithm is such that most of the \textit{encoded} normal data are inside
the convex hull of the memory units, while the abnormal data are isolated
outside. Such a remarkable property leads to good (resp.\ poor) reconstruction
for normal (resp.\ abnormal) data and therefore provides a strong guarantee for
anomaly detection. Decoded memory units in MEMGAN are more interpretable and
disentangled than previous methods, which further demonstrates the
effectiveness of the memory mechanism. Experimental results on twenty anomaly
detection datasets of CIFAR-10 and MNIST show that MEMGAN demonstrates
significant improvements over previous anomaly detection methods.
- Abstract(参考訳): 本稿では,異常検出のためのメモリ提示アルゴリズムを提案する。
古典的異常検出アルゴリズムは、通常のデータをモデル化して生成する学習に重点を置いているが、通常、異常データを検出する保証は弱い。
提案した Memory Augmented Generative Adversarial Networks (MEMGAN) は、エンコーディングおよび生成プロセスの両方のためにメモリモジュールと相互作用する。
我々のアルゴリズムは、 \textit{encoded} 正規データのほとんどはメモリユニットの凸包内にあり、異常なデータは外部に分離されている。
このような顕著な性質は良い (resp) につながる。
正常例(resp。
異常)データであり、異常検出の強力な保証を提供する。
MEMGANのデコードメモリユニットは、従来の方法よりも解釈可能であり、また、メモリメカニズムの有効性を示す。
CIFAR-10とMNISTの異常検出データセット20件の実験結果から,MeMGANは過去の異常検出方法よりも大幅に改善されていることが示された。
関連論文リスト
- MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。
この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。
入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
論文 参考訳(メタデータ) (2024-05-10T02:26:35Z) - Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。
MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2024-02-28T12:38:44Z) - 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) - Dual Memory Units with Uncertainty Regulation for Weakly Supervised
Video Anomaly Detection [15.991784541576788]
ビデオとセグメントレベルのラベル指向の既存のアプローチは、主に異常データの表現の抽出に重点を置いている。
本研究では、正規データの表現と異常データの識別特徴の両方を学習するために、不確実性制御デュアルメモリユニット(UR-DMU)モデルを提案する。
我々の手法は、最先端の手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2023-02-10T10:39:40Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Visual Anomaly Detection Via Partition Memory Bank Module and Error
Estimation [28.100204573591505]
視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。
本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。
提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
論文 参考訳(メタデータ) (2022-09-26T06:15:47Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。
できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。
最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
論文 参考訳(メタデータ) (2022-08-08T02:39:03Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。
本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
論文 参考訳(メタデータ) (2021-04-29T15:49:01Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。