論文の概要: Improving auto-encoder novelty detection using channel attention and entropy minimization

• arxiv url: http://arxiv.org/abs/2007.01682v2
• Date: Mon, 10 May 2021 05:36:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:21:51.141303
• Title: Improving auto-encoder novelty detection using channel attention and entropy minimization
• Title（参考訳）: チャネルアテンションとエントロピー最小化を用いた自動エンコーダノベルティ検出の改良
• Authors: Miao Tian, Dongyan Guo, Ying Cui, Xiang Pan, Shengyong Chen
• Abstract要約: 新規性検出のための自動エンコーダの性能向上のための注意機構を導入する。 注意機構の作用により、自己エンコーダは敵の訓練を通じて不整形標本の表現により多くの注意を払うことができる。 情報エントロピーを潜伏層に適用し,多様性の表現を疎外し,制約する。
• 参考スコア（独自算出の注目度）: 36.58514518563204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novelty detection is a important research area which mainly solves the classification problem of inliers which usually consists of normal samples and outliers composed of abnormal samples. Auto-encoder is often used for novelty detection. However, the generalization ability of the auto-encoder may cause the undesirable reconstruction of abnormal elements and reduce the identification ability of the model. To solve the problem, we focus on the perspective of better reconstructing the normal samples as well as retaining the unique information of normal samples to improve the performance of auto-encoder for novelty detection. Firstly, we introduce attention mechanism into the task. Under the action of attention mechanism, auto-encoder can pay more attention to the representation of inlier samples through adversarial training. Secondly, we apply the information entropy into the latent layer to make it sparse and constrain the expression of diversity. Experimental results on three public datasets show that the proposed method achieves comparable performance compared with previous popular approaches.
• Abstract（参考訳）: ノベルティ検出は、通常正常なサンプルと異常なサンプルからなる外れ値からなる異常値の分類問題を主に解決する重要な研究領域である。 オートエンコーダはしばしばノベルティ検出に使用される。 しかし、オートエンコーダの一般化能力は異常要素の望ましくない再構成を引き起こし、モデルの識別能力を低下させる可能性がある。 そこで,本研究では,通常のサンプルを再構築し,サンプルの独特な情報を保持し,新規性検出のためのオートエンコーダの性能を向上させる点に着目した。 まず,タスクに注意機構を導入する。 アテンション機構の作用により、オートエンコーダは、敵の訓練を通じて、異常サンプルの表現により多くの注意を払うことができる。 第2に,情報エントロピーを潜在層に適用することにより,多様性の表現をばらばらにし制約する。 3つの公開データセットに対する実験結果から,提案手法は従来の一般的な手法と比較して高い性能を示した。

関連論文リスト

• Targeted collapse regularized autoencoder for anomaly detection: black hole at the center [3.924781781769534]
  オートエンコーダは通常のクラスを超えて一般化することができ、いくつかの異常なサンプルに対して小さな再構成誤差を達成できる。 我々は、ニューラルネットワークコンポーネントの追加、計算の関与、煩雑なトレーニングの代わりに、再構成損失を計算的に軽い用語で補うという、驚くほど簡単な方法を提案する。 これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
  論文  参考訳（メタデータ） (2023-06-22T01:33:47Z)
• 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)
• 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)
• Discriminative Feature Learning Framework with Gradient Preference for Anomaly Detection [6.026443496519457]
  本稿では,異常検出のための勾配優先型識別的特徴学習フレームワークを提案する。 具体的には、空間に強力な特徴点を格納し、特徴リポジトリを構築するために、勾配優先に基づくセレクタを設計する。 本手法は, 数発の撮影異常検出において, 最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2022-04-23T08:05:15Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• 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。