論文の概要: Anomaly Detection with Prototype-Guided Discriminative Latent Embeddings
- arxiv url: http://arxiv.org/abs/2104.14945v1
- Date: Fri, 30 Apr 2021 12:16:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:37:58.238878
- Title: Anomaly Detection with Prototype-Guided Discriminative Latent Embeddings
- Title（参考訳）: Prototype-Guided Discriminative Latent Embeddings を用いた異常検出
- Authors: Yuandu Lai, Yahong Han
- Abstract要約: 本論文では,通常のデータの識別的プロトタイプを用いて映像フレームを再構築する異常検出手法を提案する。
このようにして、モデルは通常のイベントの再構築を支持し、異常なイベントの再構築を歪めます。
本手法の有効性を3つのベンチマークデータセットで評価し,提案手法が最先端を上回っていることを示す。
- 参考スコア（独自算出の注目度）: 29.93983580779689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent efforts towards video anomaly detection try to learn a deep
autoencoder to describe normal event patterns with small reconstruction errors.
The video inputs with large reconstruction errors are regarded as anomalies at
the test time. However, these methods sometimes reconstruct abnormal inputs
well because of the powerful generalization ability of deep autoencoder. To
address this problem, we present a novel approach for anomaly detection, which
utilizes discriminative prototypes of normal data to reconstruct video frames.
In this way, the model will favor the reconstruction of normal events and
distort the reconstruction of abnormal events. Specifically, we use a
prototype-guided memory module to perform discriminative latent embedding. We
introduce a new discriminative criterion for the memory module, as well as a
loss function correspondingly, which can encourage memory items to record the
representative embeddings of normal data, i.e. prototypes. Besides, we design a
novel two-branch autoencoder, which is composed of a future frame prediction
network and an RGB difference generation network that share the same encoder.
The stacked RGB difference contains motion information just like optical flow,
so our model can learn temporal regularity. We evaluate the effectiveness of
our method on three benchmark datasets and experimental results demonstrate the
proposed method outperforms the state-of-the-art.
- Abstract（参考訳）: ビデオ異常検出への最近の取り組みは、小さな再構成誤りを伴う通常のイベントパターンを記述するディープオートエンコーダを学習しようとしている。
大規模な再構成誤差のあるビデオ入力は、テスト時に異常と見なされる。
しかし、これらの手法はディープオートエンコーダの強力な一般化能力のため、異常入力をうまく再構成することがある。
この問題に対処するために,ビデオフレームの再構成に正規データの識別プロトタイプを利用する,新しい異常検出手法を提案する。
このようにして、モデルでは、正常事象の再構築を好み、異常事象の再構成を歪める。
具体的には,プロトタイプ誘導メモリモジュールを用いて識別潜在埋め込みを行う。
本稿では,メモリモジュールに対する新たな識別基準とそれに対応する損失関数を導入することで,メモリ項目に正規データの埋め込みを記録させる手法を提案する。
プロトタイプだ
また、将来のフレーム予測ネットワークと、同じエンコーダを共有するRGB差分生成ネットワークで構成される2分岐オートエンコーダを設計する。
積み重ねられたRGB差分には光学的流れと同様に運動情報が含まれており、我々のモデルは時間的規則性を学ぶことができる。
本手法の有効性を3つのベンチマークデータセットで評価し,提案手法が最先端を上回っていることを示す。
関連論文リスト
- A brief introduction to a framework named Multilevel Guidance-Exploration Network [23.794585834150983]
本稿では,Multilevel Guidance-Exploration Network(MGENet)と呼ばれる新しいフレームワークを提案する。
具体的には、まず骨格キーポイントを入力とし、RGBエンコーダを誘導する学習済み正規化フローを用いて、未知のRGBフレームを入力として取り込んで、動作遅延特徴を探索する。
提案手法は,上海技術とUBnormalデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-07T08:20:07Z) - Multi-level Memory-augmented Appearance-Motion Correspondence Framework
for Video Anomaly Detection [1.9511777443446219]
マルチレベルメモリ拡張外見対応フレームワークを提案する。
外観と動きの潜在的対応は、外見と動きのセマンティックスアライメントとセマンティックス代替トレーニングによって探索される。
我々のフレームワークは最先端の手法より優れており、UCSD Ped2、CUHK Avenue、ShanghaiTechのデータセットで99.6%、93.8%、76.3%のAUCを達成した。
論文 参考訳（メタデータ） (2023-03-09T08:43:06Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳（メタデータ） (2023-01-28T01:57:57Z) - Visual Anomaly Detection Via Partition Memory Bank Module and Error
Estimation [28.100204573591505]
視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。
本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。
提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
論文 参考訳（メタデータ） (2022-09-26T06:15:47Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳（メタデータ） (2022-03-07T19:28:39Z) - 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) - Improving unsupervised anomaly localization by applying multi-scale
memories to autoencoders [14.075973859711567]
MMAE.MMAEは、教師なし学習におけるプロトタイプ機能として、対応する解像度スケールでスロットを更新する。
異常検出のために,各スケールでエンコードされた画像特徴を最も関連するプロトタイプ特徴に置き換えることで異常除去を実現する。
各種データセットに対する実験結果から,MMAEは異なるスケールで異常を除去し,複数のデータセットで良好に動作できることが確認された。
論文 参考訳（メタデータ） (2020-12-21T04:44:40Z) - Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
本稿では,異常検出に対する教師なし学習手法を提案する。
また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
論文 参考訳（メタデータ） (2020-03-30T05:30:09Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。