論文の概要: Neural Transformation Learning for Deep Anomaly Detection Beyond Images
- arxiv url: http://arxiv.org/abs/2103.16440v1
- Date: Tue, 30 Mar 2021 15:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 15:12:50.248699
- Title: Neural Transformation Learning for Deep Anomaly Detection Beyond Images
- Title（参考訳）: 画像を超えた深部異常検出のためのニューラルトランスフォーメーション学習
- Authors: Chen Qiu, Timo Pfrommer, Marius Kloft, Stephan Mandt, Maja Rudolph
- Abstract要約: 学習可能な変換を伴う異常検出のための単純なエンドツーエンドの手順を提示する。
重要なアイデアは、変換されたデータを意味空間に埋め込むことで、変換されたデータは、まだ変換されていない形式に似ています。
この手法はドメイン固有の変換を学習し、以前の作業よりも正確に異常を検出する。
- 参考スコア（独自算出の注目度）: 24.451389236365152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data transformations (e.g. rotations, reflections, and cropping) play an
important role in self-supervised learning. Typically, images are transformed
into different views, and neural networks trained on tasks involving these
views produce useful feature representations for downstream tasks, including
anomaly detection. However, for anomaly detection beyond image data, it is
often unclear which transformations to use. Here we present a simple end-to-end
procedure for anomaly detection with learnable transformations. The key idea is
to embed the transformed data into a semantic space such that the transformed
data still resemble their untransformed form, while different transformations
are easily distinguishable. Extensive experiments on time series demonstrate
that we significantly outperform existing methods on the one-vs.-rest setting
but also on the more challenging n-vs.-rest anomaly-detection task. On tabular
datasets from the medical and cyber-security domains, our method learns
domain-specific transformations and detects anomalies more accurately than
previous work.
- Abstract（参考訳）: データ変換(例)
回転、反射、収穫)は自己監督学習において重要な役割を果たす。
通常、画像は異なるビューに変換され、これらのビューを含むタスクでトレーニングされたニューラルネットワークは、異常検出を含む下流タスクに有用な特徴表現を生成する。
しかし、画像データ以外の異常検出では、どの変換を使うべきかはよくわからない。
本稿では,学習可能な変換を伴う異常検出のための単純なエンドツーエンド手順を提案する。
重要なアイデアは、変換されたデータを意味空間に埋め込むことであり、変換されたデータは変換されていない形式にまだ似ているが、異なる変換は容易に区別できる。
時系列に関する広範囲な実験により,one-vs.-rest設定において既存の手法を著しく上回っているだけでなく,より困難なn-vs.-rest異常検出タスクにおいても有意な性能を示した。
医療・サイバーセキュリティ領域の表型データセットにおいて,本手法はドメイン固有の変換を学習し,従来よりも正確な異常を検出する。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳（メタデータ） (2024-03-11T10:48:56Z) - Learning Transformations To Reduce the Geometric Shift in Object
Detection [60.20931827772482]
画像キャプチャプロセスの変動から生じる幾何シフトに対処する。
我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。
我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:55:30Z) - Supervised Anomaly Detection Method Combining Generative Adversarial
Networks and Three-Dimensional Data in Vehicle Inspections [0.0]
車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。
本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
論文 参考訳（メタデータ） (2022-12-22T06:39:52Z) - Masked Transformer for image Anomaly Localization [14.455765147827345]
パッチマスキングを用いたビジョントランスフォーマーアーキテクチャに基づく画像異常検出のための新しいモデルを提案する。
マルチレゾリューションパッチとその集合埋め込みは,モデルの性能を大幅に向上させることを示す。
提案モデルはMVTecや頭部CTなどの一般的な異常検出データセットでテストされている。
論文 参考訳（メタデータ） (2022-10-27T15:30:48Z) - Sketched Multi-view Subspace Learning for Hyperspectral Anomalous Change
Detection [12.719327447589345]
異常変化検出のためのスケッチ付きマルチビューサブスペース学習モデルを提案する。
提案モデルでは,画像ペアからの主要な情報を保存し,計算複雑性を向上させる。
実験は、ベンチマークハイパースペクトルリモートセンシングデータセットと自然なハイパースペクトルデータセットで実施される。
論文 参考訳（メタデータ） (2022-10-09T14:08:17Z) - An Empirical Study Of Self-supervised Learning Approaches For Object
Detection With Transformers [0.0]
画像再構成,マスク画像モデリング,ジグソーに基づく自己監督手法について検討する。
iSAIDデータセットの予備実験は、事前学習とマルチタスク学習の両方において、初期のエポックにおけるDETRのより高速な収束を示す。
論文 参考訳（メタデータ） (2022-05-11T14:39:27Z) - Detecting Anomalies within Time Series using Local Neural
Transformations [30.668488830909936]
局所ニューラルトランスフォーメーション(Local Neural Transformations, LNT)は、データから時系列の局所変換を学ぶ方法である。
LNTは各タイムステップ毎に異常スコアを生成し、したがって時系列内の異常を検出するために使用できる。
我々の実験は,LNTがLibriSpeechデータセットから音声セグメントの異常を見つけ,サイバー物理システムへの割り込みを従来よりもより正確に検出できることを実証した。
論文 参考訳（メタデータ） (2022-02-08T15:51:31Z) - 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) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。
我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。
CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文 参考訳（メタデータ） (2020-01-12T05:26:47Z)
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。