論文の概要: Context-Dependent Anomaly Detection for Low Altitude Traffic Surveillance

• arxiv url: http://arxiv.org/abs/2104.06781v1
• Date: Wed, 14 Apr 2021 11:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:30:55.977416
• Title: Context-Dependent Anomaly Detection for Low Altitude Traffic Surveillance
• Title（参考訳）: 低高度交通監視のためのコンテキスト依存異常検出
• Authors: Ilker Bozcan and Erdal Kayacan
• Abstract要約: UAVを用いた環境中における点異常と文脈異常を検出するためのディープニューラルネットワーク方式(CADNet)を提案する。 この方法はコンテキストサブネットワークを備えた変分オートエンコーダ(vae)に基づいている。 我々の知る限り、我々の方法はUAV支援空中監視のための最初のコンテキスト異常検出方法である。
• 参考スコア（独自算出の注目度）: 15.406931859536622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of contextual anomalies is a challenging task for surveillance since an observation can be considered anomalous or normal in a specific environmental context. An unmanned aerial vehicle (UAV) can utilize its aerial monitoring capability and employ multiple sensors to gather contextual information about the environment and perform contextual anomaly detection. In this work, we introduce a deep neural network-based method (CADNet) to find point anomalies (i.e., single instance anomalous data) and contextual anomalies (i.e., context-specific abnormality) in an environment using a UAV. The method is based on a variational autoencoder (VAE) with a context sub-network. The context sub-network extracts contextual information regarding the environment using GPS and time data, then feeds it to the VAE to predict anomalies conditioned on the context. To the best of our knowledge, our method is the first contextual anomaly detection method for UAV-assisted aerial surveillance. We evaluate our method on the AU-AIR dataset in a traffic surveillance scenario. Quantitative comparisons against several baselines demonstrate the superiority of our approach in the anomaly detection tasks. The codes and data will be available at https://bozcani.github.io/cadnet.
• Abstract（参考訳）: コンテキスト異常の検出は、特定の環境コンテキストにおいて観察を異常または正常と見なすことができるため、監視の難しい課題である。 無人航空機(UAV)は、その空中監視機能を利用して、複数のセンサーを使用して環境に関するコンテキスト情報を収集し、コンテキスト異常検出を行う。 本稿では,uavを用いた環境における点異常(例:単一インスタンス異常データ)と文脈異常(例:コンテキスト特異的異常)を見つけるための,深層ニューラルネットワークに基づく手法(cadnet)を提案する。 この方法はコンテキストサブネットワークを備えた変分オートエンコーダ(vae)に基づいている。 コンテキストサブネットワークは、GPSと時間データを使用して環境に関するコンテキスト情報を抽出し、VAEに送信し、コンテキスト上で条件付けられた異常を予測する。 我々の知る限り、我々の方法はUAV支援空中監視のための最初のコンテキスト異常検出方法である。 交通監視シナリオにおけるAU-AIRデータセット上での手法の評価を行った。 いくつかのベースラインに対する定量的比較は、異常検出タスクにおける我々のアプローチの優位性を示している。 コードとデータはhttps://bozcani.github.io/cadnetで入手できる。

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)
• ATAC-Net: Zoomed view works better for Anomaly Detection [1.024113475677323]
  ATAC-Netは、既知の最小限の事前異常から異常を検出する訓練を行うフレームワークである。 我々は、その優位性を、同等の設定で現在の最先端技術と比較する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:32Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。 より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
  イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。 これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。 提案手法はAPやAUCといった最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-02T10:42:47Z)
• Video Anomaly Detection using GAN [0.0]
  この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。 我々は,新しいGANに基づく異常検出モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-23T16:41:30Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Contextual Information Based Anomaly Detection for a Multi-Scene UAV Aerial Videos [0.0]
  UAVに基づく監視ビデオ分析のためのコンピュータ支援システムの開発が重要である。 フレームレベルのアノテーションを用いて,UAVに基づくマルチシーン異常検出データセットを開発した。 少数の異常サンプルと通常のサンプルを併用して、より良い決定境界を同定する新しい推論戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-29T11:07:49Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• UAV-AdNet: Unsupervised Anomaly Detection using Deep Neural Networks for Aerial Surveillance [20.318367304051176]
  本稿では,重要なインフラの監視のために,ディープニューラルネットワークを用いた全体的異常検出システムを提案する。 まず,鳥視画像中の物体の空間配置を明示的に表現する手法を提案する。 次に、教師なし異常検出(UAV-AdNet)のためのディープニューラルネットワークアーキテクチャを提案する。 文献研究とは異なり、GPSと画像データを組み合わせて異常な観察を予測する。
  論文  参考訳（メタデータ） (2020-11-05T14:26:29Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
  監視シナリオにおける異常検出は、新たな研究分野である。 本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。 提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。