論文の概要: X-MAN: Explaining multiple sources of anomalies in video

• arxiv url: http://arxiv.org/abs/2106.08856v1
• Date: Wed, 16 Jun 2021 15:25:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 22:52:42.462084
• Title: X-MAN: Explaining multiple sources of anomalies in video
• Title（参考訳）: x-man: 複数の異常の源をビデオで説明する
• Authors: Stanislaw Szymanowicz, James Charles, Roberto Cipolla
• Abstract要約: ビデオ中の異常を検出するのに適した解釈可能な特徴表現を構築する方法を示す。 また,その応答の背後にある理由を記述可能な,解釈可能な確率的異常検出器を提案する。 提案手法は,公開データセット上の技術状況とよく競合する。
• 参考スコア（独自算出の注目度）: 25.929134751869032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our objective is to detect anomalies in video while also automatically explaining the reason behind the detector's response. In a practical sense, explainability is crucial for this task as the required response to an anomaly depends on its nature and severity. However, most leading methods (based on deep neural networks) are not interpretable and hide the decision making process in uninterpretable feature representations. In an effort to tackle this problem we make the following contributions: (1) we show how to build interpretable feature representations suitable for detecting anomalies with state of the art performance, (2) we propose an interpretable probabilistic anomaly detector which can describe the reason behind it's response using high level concepts, (3) we are the first to directly consider object interactions for anomaly detection and (4) we propose a new task of explaining anomalies and release a large dataset for evaluating methods on this task. Our method competes well with the state of the art on public datasets while also providing anomaly explanation based on objects and their interactions.
• Abstract（参考訳）: 我々の目標は、ビデオ中の異常を検出しながら、検出器の応答の背後にある理由を自動で説明することである。 現実的な意味では、異常に対する要求応答はその性質と重大さに依存するため、このタスクには説明責任が不可欠である。 しかし、ほとんどの主要な手法(ディープニューラルネットワークに基づく)は解釈不能であり、解釈不能な特徴表現に意思決定プロセスを隠蔽する。 In an effort to tackle this problem we make the following contributions: (1) we show how to build interpretable feature representations suitable for detecting anomalies with state of the art performance, (2) we propose an interpretable probabilistic anomaly detector which can describe the reason behind it's response using high level concepts, (3) we are the first to directly consider object interactions for anomaly detection and (4) we propose a new task of explaining anomalies and release a large dataset for evaluating methods on this task. 提案手法は,オブジェクトとその相互作用に基づく異常な説明を提供するとともに,公開データセット上の技術状況とよく競合する。

関連論文リスト

• 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。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Reimagining Anomalies: What If Anomalies Were Normal? [21.480869966442143]
  本稿では,各異常に対して複数の逆実例を生成する新しい説明法を提案する。 逆の例は、異常検知器によって正常と見なされる異常の修正である。 この手法は、異常検知を起動するメカニズムの高レベルなセマンティックな説明を提供し、ユーザーは「何のシナリオ」を探索できる。
  論文  参考訳（メタデータ） (2024-02-22T11:56:44Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Understanding the Challenges and Opportunities of Pose-based Anomaly Detection [2.924868086534434]
  ポーズベースの異常検出(Pose-based anomaly detection)は、ビデオフレームから抽出された人間のポーズを調べることによって、異常な出来事や行動を検出するビデオ分析技術である。 本研究では、ポーズに基づく異常検出の難しさをよりよく理解するために、2つのよく知られたビデオ異常データセットの特徴を分析し、定量化する。 これらの実験は、ポーズベースの異常検出と現在利用可能なデータセットをより理解する上で有益であると考えています。
  論文  参考訳（メタデータ） (2023-03-09T18:09:45Z)
• Explainable Anomaly Detection in Images and Videos: A Survey [49.07140708026425]
  画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習のアカデミックと実世界のシナリオの適用において非常に重要である。 近年の視覚異常検出技術の急速な発展にもかかわらず、これらのブラックボックスモデルの解釈や、なぜ異常を区別できるのかの合理的な説明は乏しい。 本稿では,説明可能な視覚異常検出法に焦点をあてた最初の調査を行う。
  論文  参考訳（メタデータ） (2023-02-13T20:17:41Z)
• Discrete neural representations for explainable anomaly detection [25.929134751869032]
  オブジェクトやアクション分類器を使わずに、異常を頑健に検出する方法を示す。 また、ビデオの離散表現を学習するために、新しいニューラルアーキテクチャを用いて、サリエンシマップの品質を改善する方法を示す。
  論文  参考訳（メタデータ） (2021-12-10T14:56:58Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Abnormal Behavior Detection Based on Target Analysis [57.78993932008633]
  本稿では,対象,動作,動作の3つの分岐を通して各対象を解析する多変量融合法を提案する。 これらの枝が注目する情報は異なっており、相互に補完し、異常な振る舞いを共同で検出することができる。
  論文  参考訳（メタデータ） (2021-07-29T02:03:47Z)
• Towards Fair Deep Anomaly Detection [24.237000220172906]
  我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。 提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
  論文  参考訳（メタデータ） (2020-12-29T22:34:45Z)
• Deep Unsupervised Image Anomaly Detection: An Information Theoretic Framework [17.261978826394973]
  Surrogateタスクベースのメソッドは最近、監視されていない画像異常検出に大きな約束を示しています。 本稿では,情報理論を用いた異常検出のための直接目的関数に回帰する。 教師なし画像異常検出のための新しい情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-09T03:07:00Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。