論文の概要: ID-Conditioned Auto-Encoder for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2007.05314v2
• Date: Tue, 8 Sep 2020 12:09:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 22:44:43.992450
• Title: ID-Conditioned Auto-Encoder for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のためのID記述自動エンコーダ
• Authors: S{\l}awomir Kapka
• Abstract要約: 教師なし異常検出のためのID-Conditioned Auto-Encoderを導入する。 本手法は,オープンセット認識のために設計されたC2AE(Class-Conditioned Auto-Encoder)の適応である。 我々は,DCASE 2020 Challenge Task 2のToyADMOSおよびMIMIIデータセットについて検討した。
• 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 paper, we introduce ID-Conditioned Auto-Encoder for unsupervised anomaly detection. Our method is an adaptation of the Class-Conditioned Auto-Encoder (C2AE) designed for the open-set recognition. Assuming that non-anomalous samples constitute of distinct IDs, we apply Conditioned Auto-Encoder with labels provided by these IDs. Opposed to C2AE, our approach omits the classification subtask and reduces the learning process to the single run. We simplify the learning process further by fixing a constant vector as the target for non-matching labels. We apply our method in the context of sounds for machine condition monitoring. We evaluate our method on the ToyADMOS and MIMII datasets from the DCASE 2020 Challenge Task 2. We conduct an ablation study to indicate which steps of our method influences results the most.
• Abstract（参考訳）: 本稿では,教師なし異常検出のためのID-Conditioned Auto-Encoderを提案する。 本手法はオープンセット認識用に設計されたクラスコンディショニングオートエンコーダ(c2ae)の適応である。 非異常サンプルが異なるidからなると仮定すると、条件付きオートエンコーダをこれらのidで提供されるラベルで適用する。 C2AEに対して,本手法は分類サブタスクを省略し,学習プロセスを1回に短縮する。 非マッチングラベルのターゲットとして定数ベクトルを固定することで、学習プロセスをさらに単純化する。 機械状態監視のための音の文脈に本手法を適用した。 我々は,DCASE 2020 Challenge Task 2のToyADMOSおよびMIMIIデータセットについて検討した。 方法のどの段階が結果に最も影響を与えるかを示すため,アブレーション研究を行う。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• CAT: LoCalization and IdentificAtion Cascade Detection Transformer for Open-World Object Detection [17.766859354014663]
  オープンワールドオブジェクト検出には、既知のオブジェクトと未知のオブジェクトの両方を検出するために、既知のオブジェクトのデータからトレーニングされたモデルが必要である。 CAT: LoCalization and IdentificAtion Cascade Detection Transformerを提案する。 我々のモデルはOWOD, インクリメンタルオブジェクト検出(IOD), オープンセット検出といったタスクにおけるすべての指標において, 最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T09:11:16Z)
• Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly Detection [8.136103644634348]
  既存手法としては、ディープオートエンコーダ(DAE)、変分オートエンコーダ(VAE)、条件変分オートエンコーダ(CVAE)などがある。 階層型条件変分オートエンコーダ(HCVAE)と呼ばれる新しい手法を提案する。 この方法は、産業施設に関する利用可能な分類学的階層的知識を利用して、潜在空間の表現を洗練させる。
  論文  参考訳（メタデータ） (2022-06-11T08:15:01Z)
• Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification [123.75412386783904]
  最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。 UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。 我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2021-08-22T09:57:14Z)
• Automatic Feature Extraction for Heartbeat Anomaly Detection [7.054093620465401]
  医療における異常検出の応用を目的とした、生音声の心拍音の自動抽出に着目する。 1次元非コーダ畳み込みエンコーダとウェーブネットデコーダで構成したオートエンコーダの助けを借りて,特徴を学習する。
  論文  参考訳（メタデータ） (2021-02-24T13:55:24Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• LabelEnc: A New Intermediate Supervision Method for Object Detection [78.74368141062797]
  本稿では,オブジェクト検出システムのトレーニングを促進するため,LabelEncという新たな中間監視手法を提案する。 鍵となるアイデアは、新しいラベル符号化機能を導入し、接地木ラベルを潜伏埋め込みにマッピングすることである。 実験の結果,COCOデータセット上での検出精度は,約2%向上した。
  論文  参考訳（メタデータ） (2020-07-07T08:55:05Z)
• Deep Dense and Convolutional Autoencoders for Unsupervised Anomaly Detection in Machine Condition Sounds [55.18259748448095]
  本報告では,DCASE 2020 チャレンジの第2タスクのために開発された2つの手法について述べる。 この課題には、異常音を検出する教師なしの学習が含まれており、トレーニングプロセス中に通常の機械作業条件サンプルのみが利用可能である。 この2つの手法は、メルスペクトグラム処理された音響特徴を用いた密集的および畳み込み的アーキテクチャに基づくディープオートエンコーダを含む。
  論文  参考訳（メタデータ） (2020-06-18T10:49:49Z)

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。