論文の概要: CPNet: Cross-Parallel Network for Efficient Anomaly Detection

• arxiv url: http://arxiv.org/abs/2108.04454v1
• Date: Tue, 10 Aug 2021 05:29:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:23:56.799838
• Title: CPNet: Cross-Parallel Network for Efficient Anomaly Detection
• Title（参考訳）: CPNet: 効率的な異常検出のためのクロスパラレルネットワーク
• Authors: Youngsaeng Jin, David Han and Hanseok Ko
• Abstract要約: ここでは,性能低下を伴わない計算を最小化するために,CPNet(Cross-Parallel Network)の非効率な異常検出を提案する。 これはN leaster parallel U-Netで構成され、それぞれが単一の入力フレームを処理するように設計されており、計算をより効率的にする。 ネットワーク間シフトモジュールは、シークエンシャルフレーム間の時間的関係をキャプチャして、より正確な将来の予測を可能にする。
• 参考スコア（独自算出の注目度）: 20.84973451610082
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection in video streams is a challengingproblem because of the scarcity of abnormal events andthe difficulty of accurately annotating them.To allevi-ate these issues, unsupervised learning-based predictionmethods have been previously applied. These approachestrain the model with only normal events and predict a fu-ture frame from a sequence of preceding frames by use ofencoder-decoder architectures so that they result in smallprediction errors on normal events but large errors on ab-normal events. The architecture, however, comes with thecomputational burden as some anomaly detection tasks re-quire low computational cost without sacrificing perfor-mance. In this paper, Cross-Parallel Network (CPNet) forefficient anomaly detection is proposed here to minimizecomputations without performance drops. It consists ofNsmaller parallel U-Net, each of which is designed to handlea single input frame, to make the calculations significantlymore efficient. Additionally, an inter-network shift moduleis incorporated to capture temporal relationships among se-quential frames to enable more accurate future predictions.The quantitative results show that our model requires lesscomputational cost than the baseline U-Net while deliver-ing equivalent performance in anomaly detection.
• Abstract（参考訳）: ビデオストリームの異常検出は,異常事象の欠如と正確な注釈付けの難しさから困難であり,教師なし学習に基づく予測手法がこれまで適用されてきた。 これらのアプローチは、通常のイベントのみを用いてモデルを訓練し、ofencoder-decoderアーキテクチャを用いて、前のフレームのシーケンスからfu-tureフレームを予測する。 しかし、アーキテクチャには計算負荷が伴うため、一部の異常検出タスクは計算コストを犠牲にすることなく再要求する。 本稿では,性能低下を伴わずに計算量を最小化するクロス並列ネットワーク(cpnet)を提案する。 これはN leaster parallel U-Netで構成され、それぞれが単一の入力フレームを処理するように設計されており、計算をより効率的にする。 さらに,se-quentialフレーム間の時間的関係を捉えるためにネットワーク間シフトモジュールが組み込まれ,将来の予測精度が向上した。

関連論文リスト

• Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
  LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。 これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
  論文  参考訳（メタデータ） (2023-08-30T10:57:41Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• Deep Subspace Encoders for Nonlinear System Identification [0.0]
  そこで本稿では,状態推定にトラッピング予測損失とサブスペースエンコーダを用いる手法を提案する。 軽度条件下では,提案手法は局所的に一貫性があり,最適化安定性が向上し,データ効率が向上することを示す。
  論文  参考訳（メタデータ） (2022-10-26T16:04:38Z)
• A Universal Error Measure for Input Predictions Applied to Online Graph Problems [57.58926849872494]
  本稿では,入力予測における誤差の定量化のための新しい尺度を提案する。 この尺度は、予測されていない要求と予測されていない実際の要求によるエラーをキャプチャする。
  論文  参考訳（メタデータ） (2022-05-25T15:24:03Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• A Semi-Supervised Approach for Abnormal Event Prediction on Large Operational Network Time-Series Data [1.544681800932596]
  本稿では,ネットワーク時系列と時間点間の依存関係を効率的にキャプチャする半教師付き手法を提案する。 本手法は, 正規および異常サンプルに対する分離可能な埋め込み空間を明示的に学習するために, ラベル付き限られたデータを使用することができる。 実験により,我々の手法は大規模実世界のネットワークログ上でのイベント検出において,最先端の手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2021-10-14T18:33:57Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Improving Video Instance Segmentation by Light-weight Temporal Uncertainty Estimates [11.580916951856256]
  本稿では,インスタンスセグメンテーションネットワークの不確かさをモデル化するための時間動的手法を提案する。 本稿では,偽陽性の検出と予測品質の推定に本手法を適用した。 提案手法は、容易に訓練されたニューラルネットワークとビデオシーケンス入力のみを必要とする。
  論文  参考訳（メタデータ） (2020-12-14T13:39:05Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。