論文の概要: Unsupervised detection of mouse behavioural anomalies using two-stream convolutional autoencoders

• arxiv url: http://arxiv.org/abs/2106.00598v1
• Date: Fri, 28 May 2021 16:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 04:19:07.297241
• Title: Unsupervised detection of mouse behavioural anomalies using two-stream convolutional autoencoders
• Title（参考訳）: 2ストリーム畳み込みオートエンコーダを用いたマウス行動異常の教師なし検出
• Authors: Ezechukwu I Nwokedi, Rasneer S Bains, Luc Bidaut, Sara Wells, Xujiong Ye, James M Brown
• Abstract要約: 本稿では,マウスビデオデータの異常検出における教師なし学習の適用について検討する。 提示される2つのモデルは、デュアルストリームの3D畳み込みオートエンコーダとデュアルストリームの2D畳み込みオートエンコーダである。
• 参考スコア（独自算出の注目度）: 1.1236899956615454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the application of unsupervised learning to detecting anomalies in mouse video data. The two models presented in this paper are a dual-stream, 3D convolutional autoencoder (with residual connections) and a dual-stream, 2D convolutional autoencoder. The publicly available dataset used here contains twelve videos of single home-caged mice alongside frame-level annotations. Under the pretext that the autoencoder only sees normal events, the video data was handcrafted to treat each behaviour as a pseudo-anomaly thereby eliminating them from the others during training. The results are presented for one conspicuous behaviour (hang) and one inconspicuous behaviour (groom). The performance of these models is compared to a single stream autoencoder and a supervised learning model, which are both based on the custom CAE. Both models are also tested on the CUHK Avenue dataset were found to perform as well as some state-of-the-art architectures.
• Abstract（参考訳）: 本稿では,教師なし学習のマウスビデオデータにおける異常検出への応用について検討する。 この論文で提示された2つのモデルは、デュアルストリーム、3d畳み込みオートエンコーダ(残留接続付き)とデュアルストリームの2d畳み込みオートエンコーダである。 ここで使用される公開データセットには、フレームレベルのアノテーションとともに、シングルホームケージマウスの12のビデオが含まれている。 オートエンコーダが通常のイベントのみを見るという前提の下で、ビデオデータは、各動作を擬似異常として扱うために手作りされ、トレーニング中に他の事象から排除された。 結果は1つの目立たない行動(hang)と1つの目立たない行動(groom)に対して示される。 これらのモデルのパフォーマンスは、カスタムcaeに基づいた単一のストリームオートエンコーダと教師付き学習モデルと比較される。 どちらのモデルもCUHK Avenueデータセットでテストされ、いくつかの最先端アーキテクチャと同様に動作することが判明した。

関連論文リスト

• Unsupervised Video Anomaly Detection with Diffusion Models Conditioned on Compact Motion Representations [17.816344808780965]
  教師なしビデオ異常検出(VAD)問題とは、ビデオ内の各フレームをラベルにアクセスすることなく正常または異常に分類することである。 提案手法は条件付き拡散モデルを用いて,事前学習したネットワークから入力データを抽出する。 提案手法は,データ駆動しきい値を用いて,異常事象の指標として高い再構成誤差を考慮している。
  論文  参考訳（メタデータ） (2023-07-04T07:36:48Z)
• Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors [117.61449210940955]
  ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。 動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。 トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
  論文  参考訳（メタデータ） (2023-06-21T06:18:05Z)
• Dual Learning for Large Vocabulary On-Device ASR [64.10124092250128]
  デュアル・ラーニング(英: Dual learning)は、教師なしのデータを一度に2つの逆のタスクを解くことによって活用しようとする、半教師なし機械学習のパラダイムである。 本稿では,Librispeech全体をトレーニングしたオンデバイスサイズのストリーミングコンバータの解析を行い,LMを使わずにWERを10.7%/5.2%,LMを11.7%/16.4%改善したことを示す。
  論文  参考訳（メタデータ） (2023-01-11T06:32:28Z)
• Visual anomaly detection in video by variational autoencoder [0.0]
  オートエンコーダ(autoencoder)は、ボトルネック層と呼ばれる入力の潜在表現を使って入力を再現するように訓練されたニューラルネットワークである。 本稿では,畳み込み型LSTMオートエンコーダと畳み込み型LSTMオートエンコーダの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-03-08T06:22:04Z)
• 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)
• ASCNet: Self-supervised Video Representation Learning with Appearance-Speed Consistency [62.38914747727636]
  本研究では,1)明示的な監督のためのラベルの欠如,2)構造化されていない,ノイズの多い視覚情報による自己指導型映像表現学習について検討する。 既存の方法は、主にビデオクリップをインスタンスとしてコントラスト損失を使用し、互いにインスタンスを識別することで視覚的表現を学ぶ。 本稿では,ロバストな映像表現を学ぶ上で,正のサンプル間の一貫性が鍵となることを観察する。
  論文  参考訳（メタデータ） (2021-06-04T08:44:50Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Unsupervised Video Anomaly Detection via Normalizing Flows with Implicit Latent Features [8.407188666535506]
  既存のほとんどのメソッドはオートエンコーダを使用して、通常のビデオの再構築を学ぶ。 本稿では2つのエンコーダが暗黙的に外観と動きの特徴をモデル化する構造である暗黙の2経路AE(ITAE)を提案する。 通常のシーンの複雑な分布については,ITAE特徴量の正規密度推定を提案する。 NFモデルは暗黙的に学習された機能を通じて正常性を学ぶことでITAEのパフォーマンスを高める。
  論文  参考訳（メタデータ） (2020-10-15T05:02:02Z)
• Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating Back-Propagation for Saliency Detection [54.98042023365694]
  本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。 提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
  論文  参考訳（メタデータ） (2020-07-23T18:47:36Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。