論文の概要: Anomalous sound detection based on interpolation deep neural network

• arxiv url: http://arxiv.org/abs/2005.09234v1
• Date: Tue, 19 May 2020 06:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:51:54.780892
• Title: Anomalous sound detection based on interpolation deep neural network
• Title（参考訳）: 補間深部ニューラルネットワークを用いた異常音検出
• Authors: Kaori Suefusa, Tomoya Nishida, Harsh Purohit, Ryo Tanabe, Takashi Endo, and Yohei Kawaguchi
• Abstract要約: 本稿では,モデルがスペクトルの複数のフレームを利用する異常検出手法を提案する。 提案手法は標準的なAUCスコアに基づいて27%の改善が得られた。
• 参考スコア（独自算出の注目度）: 9.309962824653033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the labor force decreases, the demand for labor-saving automatic anomalous sound detection technology that conducts maintenance of industrial equipment has grown. Conventional approaches detect anomalies based on the reconstruction errors of an autoencoder. However, when the target machine sound is non-stationary, a reconstruction error tends to be large independent of an anomaly, and its variations increased because of the difficulty of predicting the edge frames. To solve the issue, we propose an approach to anomalous detection in which the model utilizes multiple frames of a spectrogram whose center frame is removed as an input, and it predicts an interpolation of the removed frame as an output. Rather than predicting the edge frames, the proposed approach makes the reconstruction error consistent with the anomaly. Experimental results showed that the proposed approach achieved 27% improvement based on the standard AUC score, especially against non-stationary machinery sounds.
• Abstract（参考訳）: 労働力の減少に伴い、産業機器の保守を行う作業用自動音響検出技術の需要が高まっている。 従来の手法ではオートエンコーダの復元誤差に基づいて異常を検出する。 しかし, 対象の機械音が静止しない場合, 復元誤差は異常に大きく依存する傾向にあり, エッジフレームの予測が困難であったため, その変動が増大する傾向にある。 そこで本研究では,中心フレームを入力として除去したスペクトルグラムの複数のフレームをモデルとして用いた異常検出手法を提案し,除去フレームの補間を出力として予測する。 提案手法は,エッジフレームを予測するのではなく,再構成誤差を異常と一致させる。 実験の結果,提案手法は標準AUCスコアに基づいて27%改善し,特に非定常機械音に対して有効であった。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• 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)
• 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)
• Anomaly Detection with Adversarially Learned Perturbations of Latent Space [9.473040033926264]
  異常検出は、正常なデータの分布に適合しないサンプルを特定することである。 本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。 提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-03T19:32:00Z)
• Video Anomaly Detection via Prediction Network with Enhanced Spatio-Temporal Memory Exchange [21.334952965297667]
  ビデオ異常検出は、ほとんどの異常は少なく、決定論的ではないため、難しい作業である。 大規模なメモリ交換を拡張した畳み込みLSTM自動エンコーダ予測フレームワークを設計する。 3つのベンチマークで評価した結果,我々のフレームワークは既存の予測に基づく異常検出手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-06-26T16:10:56Z)
• 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)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• 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。