論文の概要: Explainable Deep One-Class Classification

• arxiv url: http://arxiv.org/abs/2007.01760v3
• Date: Thu, 18 Mar 2021 10:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:26:50.051222
• Title: Explainable Deep One-Class Classification
• Title（参考訳）: 説明可能なディープワンクラス分類
• Authors: Philipp Liznerski, Lukas Ruff, Robert A. Vandermeulen, Billy Joe Franks, Marius Kloft, and Klaus-Robert M\"uller
• Abstract要約: 本稿では、FCDD(Fully Convolutional Data Description)について説明する。 FCDDは競合検出性能を示し、CIFAR-10とImageNetによる一般的な異常検出ベンチマークについて合理的な説明を提供する。 本手法では, トレーニング中に地中不規則マップを組み込むことができ, また, 一部でも使用することで, 性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 26.283734474660484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep one-class classification variants for anomaly detection learn a mapping that concentrates nominal samples in feature space causing anomalies to be mapped away. Because this transformation is highly non-linear, finding interpretations poses a significant challenge. In this paper we present an explainable deep one-class classification method, Fully Convolutional Data Description (FCDD), where the mapped samples are themselves also an explanation heatmap. FCDD yields competitive detection performance and provides reasonable explanations on common anomaly detection benchmarks with CIFAR-10 and ImageNet. On MVTec-AD, a recent manufacturing dataset offering ground-truth anomaly maps, FCDD sets a new state of the art in the unsupervised setting. Our method can incorporate ground-truth anomaly maps during training and using even a few of these (~5) improves performance significantly. Finally, using FCDD's explanations we demonstrate the vulnerability of deep one-class classification models to spurious image features such as image watermarks.
• Abstract（参考訳）: 異常検出のための深い1クラス分類変種は、異常をマッピングする特徴空間に名目サンプルを集中させるマッピングを学ぶ。 この変換は非常に非線形であるため、解釈を見つけることは大きな課題となる。 本稿では, マッピングされたサンプル自体が説明ヒートマップである深層1クラス分類法である完全畳み込みデータ記述法(fcdd)を提案する。 FCDDは競合検出性能を示し、CIFAR-10とImageNetによる一般的な異常検出ベンチマークについて合理的な説明を提供する。 最近の製造データセットであるMVTec-ADでは、FCDDは教師なしの設定で新しい最先端の技術を設定している。 本手法では, トレーニング中に地中不規則マップを組み込むことができ, 一部(〜5)でも性能が大幅に向上する。 最後に、FCDDの説明を用いて、画像透かしなどの画像特徴を刺激する深層一階分類モデルの脆弱性を示す。

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)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  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)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly Segmentation [1.9458156037869137]
  完全畳み込みデータ記述(FCDD)の漸進的改善を提案する。 FCDDは、異常検出から画像異常セグメンテーション(すなわち異常局在)への一級分類アプローチの適応である 我々は、元の損失関数を解析し、前任のハイパースフィア(HSC)によく似た代替関数を提案する。
  論文  参考訳（メタデータ） (2023-01-23T18:06:35Z)
• [Reproducibility Report] Explainable Deep One-Class Classification [0.0]
  FCDD(Fully Convolutional Data Description)は、画像異常検出(AD)とピクセル単位のADに、ポストホックな説明法を使わずに対処する。 FCDD は Fashion-MNIST と CIFAR-10 のサンプル値 AD の最先端値に匹敵する結果を達成し、MVTec-AD の画素値タスクの最先端値を超えている。 臨界差図を用いた別の解析手法を提案し、トレーニングフェーズにおけるモデルの試験性能について検討する。
  論文  参考訳（メタデータ） (2022-06-06T13:10:04Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection [7.906608953906889]
  異常検出は機械学習において難しい問題である。 放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。 本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
  論文  参考訳（メタデータ） (2021-01-29T15:15:17Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。