論文の概要: Learning Memory-guided Normality for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2003.13228v1
- Date: Mon, 30 Mar 2020 05:30:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 07:56:48.929641
- Title: Learning Memory-guided Normality for Anomaly Detection
- Title(参考訳): 異常検出のためのメモリ誘導正規性学習
- Authors: Hyunjong Park, Jongyoun Noh, Bumsub Ham
- Abstract要約: 本稿では,異常検出に対する教師なし学習手法を提案する。
また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
- 参考スコア(独自算出の注目度): 33.77435699029528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of anomaly detection, that is, detecting anomalous
events in a video sequence. Anomaly detection methods based on convolutional
neural networks (CNNs) typically leverage proxy tasks, such as reconstructing
input video frames, to learn models describing normality without seeing
anomalous samples at training time, and quantify the extent of abnormalities
using the reconstruction error at test time. The main drawbacks of these
approaches are that they do not consider the diversity of normal patterns
explicitly, and the powerful representation capacity of CNNs allows to
reconstruct abnormal video frames. To address this problem, we present an
unsupervised learning approach to anomaly detection that considers the
diversity of normal patterns explicitly, while lessening the representation
capacity of CNNs. To this end, we propose to use a memory module with a new
update scheme where items in the memory record prototypical patterns of normal
data. We also present novel feature compactness and separateness losses to
train the memory, boosting the discriminative power of both memory items and
deeply learned features from normal data. Experimental results on standard
benchmarks demonstrate the effectiveness and efficiency of our approach, which
outperforms the state of the art.
- Abstract(参考訳): 本稿では,映像列における異常事象の検出という異常検出の問題に対処する。
畳み込みニューラルネットワーク(CNN)に基づく異常検出手法は、典型的には、入力ビデオフレームの再構成などのプロキシタスクを活用し、トレーニング時に異常サンプルを見ることなく正常性を記述するモデルを学習し、テスト時に再構成エラーを使用して異常度を定量化する。
これらのアプローチの主な欠点は、通常のパターンの多様性を明示的に考慮していないことと、cnnの強力な表現能力が異常なビデオフレームを再構築できることである。
この問題に対処するために,正規パターンの多様性を明示的に考慮しつつ,cnnの表現能力を低下させる異常検出に対する教師なし学習手法を提案する。
この目的のために,メモリレコード内のアイテムが正規データのプロトタイプパターンとなるような新しい更新方式のメモリモジュールを提案する。
また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
標準ベンチマークによる実験結果から,提案手法の有効性と効率性が実証された。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
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) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳(メタデータ) (2022-12-05T14:29:16Z) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - 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) - 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) - Anomaly Detection with Prototype-Guided Discriminative Latent Embeddings [29.93983580779689]
本論文では,通常のデータの識別的プロトタイプを用いて映像フレームを再構築する異常検出手法を提案する。
このようにして、モデルは通常のイベントの再構築を支持し、異常なイベントの再構築を歪めます。
本手法の有効性を3つのベンチマークデータセットで評価し,提案手法が最先端を上回っていることを示す。
論文 参考訳(メタデータ) (2021-04-30T12:16:52Z)
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。