論文の概要: Unsupervised Abnormality Detection Using Heterogeneous Autonomous
Systems
- arxiv url: http://arxiv.org/abs/2006.03733v2
- Date: Tue, 14 Jul 2020 16:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 03:42:57.888143
- Title: Unsupervised Abnormality Detection Using Heterogeneous Autonomous
Systems
- Title（参考訳）: 不均一自律システムを用いた教師なし異常検出
- Authors: Sayeed Shafayet Chowdhury, Kazi Mejbaul Islam and Rouhan Noor
- Abstract要約: 監視シナリオにおける異常検出は、新たな研究分野である。
本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。
提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (AD) in a surveillance scenario is an emerging and
challenging field of research. For autonomous vehicles like drones or cars, it
is immensely important to distinguish between normal and abnormal states in
real-time. Additionally, we also need to detect any device malfunction. But the
nature and degree of abnormality may vary depending upon the actual environment
and adversary. As a result, it is impractical to model all cases a-priori and
use supervised methods to classify. Also, an autonomous vehicle provides
various data types like images and other analog or digital sensor data, all of
which can be useful in anomaly detection if leveraged fruitfully. To that
effect, in this paper, a heterogeneous system is proposed which estimates the
degree of abnormality of an unmanned surveillance drone, analyzing real-time
image and IMU (Inertial Measurement Unit) sensor data in an unsupervised
manner. Here, we have demonstrated a Convolutional Neural Network (CNN)
architecture, named AngleNet to estimate the angle between a normal image and
another image under consideration, which provides us with a measure of anomaly
of the device. Moreover, the IMU data are used in autoencoder to predict
abnormality. Finally, the results from these two algorithms are ensembled to
estimate the final degree of abnormality. The proposed method performs
satisfactorily on the IEEE SP Cup-2020 dataset with an accuracy of 97.3%.
Additionally, we have also tested this approach on an in-house dataset to
validate its robustness.
- Abstract（参考訳）: 監視シナリオにおける異常検出(ad)は、新しくて困難な研究分野である。
ドローンや自動車のような自動運転車にとって、通常の状態と異常状態をリアルタイムで区別することが極めて重要である。
さらに、いかなるデバイス故障も検出する必要があります。
しかし、その性質や異常の程度は実際の環境や逆境によって異なる可能性がある。
結果として、すべてのケースa-prioriをモデル化し、教師付きメソッドを使用して分類することは非現実的である。
また、自動運転車は、画像やその他のアナログまたはデジタルセンサーデータなどのさまざまなデータタイプを提供しており、これら全てを実効的に活用すれば、異常検出に役立てることができる。
そこで本研究では,無人監視ドローンの異常度を推定し,リアルタイム画像とIMUセンサデータを教師なしで解析する異種システムを提案する。
本稿では,convolutional neural network (cnn) アーキテクチャを実演し,通常の画像と検討中の画像との角度を推定し,デバイス異常の計測を行う。
さらに、IMUデータはオートエンコーダで異常を予測するために使用される。
最後に、これら2つのアルゴリズムの結果をアンサンブルして、最終異常度を推定する。
提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
さらに、このアプローチを社内データセットでテストして、堅牢性を確認しました。
関連論文リスト
- Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。
目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
論文 参考訳（メタデータ） (2024-07-29T12:39:07Z) - Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
異常検出は、データ内の確立されたパターンから逸脱を検出する。
本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。
実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-06-18T15:11:44Z) - Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
本稿では,新しいGANに基づく異常検出モデルを提案する。
通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。
CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
論文 参考訳（メタデータ） (2022-11-24T21:52:25Z) - 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) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳（メタデータ） (2020-07-17T20:03:02Z) - Interpretable, Multidimensional, Multimodal Anomaly Detection with
Negative Sampling for Detection of Device Failure [6.09170287691728]
正の観察サンプルから負のサンプルを生成する教師なし異常検出法を提案する。
ニューラルネットワーク分類器による負のサンプリングは、分離林、一級SVM、ディープSVDDよりもAUCスコアが有意に高いことを示す。
ニューラルネットワーク分類器による負のサンプリングが、Googleのオフィスビル145の15,000以上の気候制御と電力メータデバイスにおいて、失敗をリアルタイムで予測するために、大規模なデプロイに成功した方法について説明する。
論文 参考訳（メタデータ） (2020-07-12T21:07:34Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。