論文の概要: MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2012.12111v2
- Date: Mon, 5 Apr 2021 09:40:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 02:15:22.052494
- Title: MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection
- Title（参考訳）: MOCCA: 異常検出のための多層ワンクラス分類
- Authors: Fabio Valerio Massoli, Fabrizio Falchi, Alperen Kantarci, \c{S}eymanur
Akti, Hazim Kemal Ekenel, Giuseppe Amato
- Abstract要約: 我々は,Multi-Layer One-Class Classification (MOCCA) と呼ばれる異常検出問題に対するディープラーニングアプローチを提案する。
異なる深さで抽出された情報を利用して異常なデータインスタンスを検出することで、ディープニューラルネットワークのピースワイズ的性質を明示的に活用します。
本稿では,本手法が文献で利用可能な最先端手法と比較して優れた性能を示す。
- 参考スコア（独自算出の注目度）: 16.914663209964697
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Anomalies are ubiquitous in all scientific fields and can express an
unexpected event due to incomplete knowledge about the data distribution or an
unknown process that suddenly comes into play and distorts the observations.
Due to such events' rarity, it is common to train deep learning models on
"normal", i.e. non-anomalous, datasets only, thus letting the neural network to
model the distribution beneath the input data. In this context, we propose our
deep learning approach to the anomaly detection problem named
Multi-LayerOne-Class Classification (MOCCA). We explicitly leverage the
piece-wise nature of deep neural networks by exploiting information extracted
at different depths to detect abnormal data instances. We show how combining
the representations extracted from multiple layers of a model leads to higher
discrimination performance than typical approaches proposed in the literature
that are based neural networks' final output only. We propose to train the
model by minimizing the $L_2$ distance between the input representation and a
reference point, the anomaly-free training data centroid, at each considered
layer. We conduct extensive experiments on publicly available datasets for
anomaly detection, namely CIFAR10, MVTec AD, and ShanghaiTech, considering both
the single-image and video-based scenarios. We show that our method reaches
superior performances compared to the state-of-the-art approaches available in
the literature. Moreover, we provide a model analysis to give insight on how
our approach works.
- Abstract（参考訳）: 異常はすべての科学分野において普遍的であり、データ分布に関する不完全な知識や突然発生し観測を歪める未知のプロセスによって予期せぬ事象を表現できる。
このような事象の希少性のため、ディープラーニングモデルを"正規"、すなわち"正規"で訓練することが一般的である。
非異常なデータセットのみであり、ニューラルネットワークが入力データ下の分布をモデル化できるようにする。
本稿では,Multi-LayerOne-Class Classification (MOCCA) と呼ばれる異常検出問題に対するディープラーニング手法を提案する。
我々は、異なる深さで抽出された情報を利用して異常なデータインスタンスを検出することで、ディープニューラルネットワークの断片的な性質を明示的に活用する。
モデルの複数の層から抽出された表現を組み合わせることで、ニューラルネットワークの最終出力のみに基づく文献で提案される一般的な手法よりも高い識別性能が得られることを示す。
入力表現と参照点との間の$l_2$距離を最小化し、各検討層で異常のないトレーニングデータセントロイド(centroid)を最小化することにより、モデルを訓練することを提案する。
CIFAR10,MVTec AD,ShanghaiTechといった,単一イメージとビデオベースの両方のシナリオを考慮した,公開可能な異常検出用データセットに関する広範な実験を行った。
本稿では,本手法が文献で利用可能な最先端手法と比較して優れた性能を示す。
さらに、アプローチがどのように機能するかを洞察するためのモデル分析も提供します。
関連論文リスト
- Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。
InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。
InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-03-11T08:07:46Z) - COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
FSADの課題に対処する新しい手法を提案する。
重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。
提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
論文 参考訳（メタデータ） (2024-02-29T09:48:19Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Layer-wise Linear Mode Connectivity [52.6945036534469]
ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。
フェデレートラーニングにおいて最も顕著に用いられている。
私たちは、単一グループやグループを平均化するモデルの性能を分析します。
論文 参考訳（メタデータ） (2023-07-13T09:39:10Z) - Y-GAN: Learning Dual Data Representations for Efficient Anomaly
Detection [0.0]
本稿では,Y-GANと呼ばれる新しい再構成モデルを提案する。
モデルはY字型のオートエンコーダで構成され、2つの別々の潜在空間の画像を表現している。
論文 参考訳（メタデータ） (2021-09-28T20:17:04Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。
その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。
このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
論文 参考訳（メタデータ） (2021-05-24T01:48:44Z) - Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。
本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
論文 参考訳（メタデータ） (2021-04-29T15:49:01Z) - Understanding Anomaly Detection with Deep Invertible Networks through
Hierarchies of Distributions and Features [4.25227087152716]
畳み込みネットワークは、任意の自然言語データセットでトレーニングされた場合、同様の低レベルの特徴分布を学習する。
inlier とoutlier の識別的特徴が高いレベルにある場合、異常検出は特に困難になる。
モデルバイアスとドメインが高レベルの差を検出する前に負の影響を除去する2つの方法を提案する。
論文 参考訳（メタデータ） (2020-06-18T20:56:14Z) - 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)
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。