論文の概要: Transformation Based Deep Anomaly Detection in Astronomical Images
- arxiv url: http://arxiv.org/abs/2005.07779v1
- Date: Fri, 15 May 2020 21:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:37:20.576805
- Title: Transformation Based Deep Anomaly Detection in Astronomical Images
- Title（参考訳）: 変換に基づく天文画像の深部異常検出
- Authors: Esteban Reyes, Pablo A. Est\'evez
- Abstract要約: 天文画像の異常検出に有用な新しいフィルタベース変換を提案する。
また、変換の区別不可能なペアを見つけることができる変換選択戦略を提案する。
これらのモデルは、HiTS(High Cadence Transient Survey)とZTF(Zwicky Transient Facility)のデータセットから得られた天文学的な画像でテストされた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose several enhancements to a geometric transformation
based model for anomaly detection in images (GeoTranform). The model assumes
that the anomaly class is unknown and that only inlier samples are available
for training. We introduce new filter based transformations useful for
detecting anomalies in astronomical images, that highlight artifact properties
to make them more easily distinguishable from real objects. In addition, we
propose a transformation selection strategy that allows us to find
indistinguishable pairs of transformations. This results in an improvement of
the area under the Receiver Operating Characteristic curve (AUROC) and accuracy
performance, as well as in a dimensionality reduction. The models were tested
on astronomical images from the High Cadence Transient Survey (HiTS) and Zwicky
Transient Facility (ZTF) datasets. The best models obtained an average AUROC of
99.20% for HiTS and 91.39% for ZTF. The improvement over the original
GeoTransform algorithm and baseline methods such as One-Class Support Vector
Machine, and deep learning based methods is significant both statistically and
in practice.
- Abstract（参考訳）: 本研究では,画像の異常検出のための幾何変換に基づくモデル(geotranform)のいくつかの拡張を提案する。
このモデルは、異常クラスが未知であり、異常なサンプルのみがトレーニングに利用できると仮定している。
本稿では,アーティファクト特性に着目し,実物体との識別性を高めるために,天文画像の異常検出に有用な新しいフィルタベースの変換を提案する。
さらに,変換の識別不能な対を見つけるための変換選択戦略を提案する。
その結果, 受信器動作特性曲線(AUROC)に基づく領域の改善と精度向上, 次元性低減を実現した。
モデルは、hits(high cadence transient survey)とzwicky transient facility(ztf)のデータセットから得られた天文画像でテストされた。
ベストモデルでは平均aurocが99.20%、ztfが91.39%であった。
従来のGeoTransformアルゴリズムとOne-Class Support Vector Machineのようなベースライン手法と深層学習に基づく手法の改善は、統計的にも現実的にも有意である。
関連論文リスト
- Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - ISSTAD: Incremental Self-Supervised Learning Based on Transformer for
Anomaly Detection and Localization [12.975540251326683]
本稿では,Transformerのバックボーンネットワークに基づく新しいアプローチを提案する。
通常の画像のみに基づいてMasked Autoencoder(MAE)モデルを訓練する。
その後の段階では、劣化した正規画像を生成するためにピクセルレベルのデータ拡張技術を適用する。
このプロセスにより、モデルは破損した領域の修復方法を学び、各ピクセルの状態を分類できる。
論文 参考訳（メタデータ） (2023-03-30T13:11:26Z) - GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。
自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。
元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文 参考訳（メタデータ） (2022-03-22T17:06:07Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳（メタデータ） (2022-03-09T16:17:47Z) - Extracting Deformation-Aware Local Features by Learning to Deform [3.364554138758565]
非剛性変形に対して頑健な静止画像から特徴量を計算するための新しい手法を提案する。
我々は、シミュレーション環境でオブジェクトに非剛性変形を適用することにより、モデルアーキテクチャをエンドツーエンドにトレーニングする。
実験により, この手法は, 最新の手工芸画像, 学習ベース画像, およびRGB-Dディスクリプタを異なるデータセットで比較した。
論文 参考訳（メタデータ） (2021-11-20T15:46:33Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z)
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。