Fugu-MT 論文翻訳(概要): Flow-based SVDD for anomaly detection

論文の概要: Flow-based SVDD for anomaly detection

arxiv url: http://arxiv.org/abs/2108.04907v1
Date: Tue, 10 Aug 2021 20:33:15 GMT
ステータス: 処理完了
システム内更新日: 2021-08-12 20:29:11.490361
Title: Flow-based SVDD for anomaly detection
Title（参考訳）: 異常検出のためのフローベースSVDD
Authors: Marcin Sendera, Marek \'Smieja, {\L}ukasz Maziarka, {\L}ukasz Struski, Przemys{\l}aw Spurek, Jacek Tabor
Abstract要約: FlowSVDDは、異常/異常検知のためのフローベースの1クラス分類器である。提案モデルはフローベースモデルを用いてインスタンス化され,超球面境界の単一点への崩壊を自然に防止する。実験の結果,FlowSVDDは現在の最先端手法に匹敵する結果が得られ,ベンチマークデータセット上での深部SVDDメソッドよりも大幅に優れていた。
参考スコア（独自算出の注目度）: 12.319113026372966
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose FlowSVDD -- a flow-based one-class classifier for anomaly/outliers detection that realizes a well-known SVDD principle using deep learning tools. Contrary to other approaches to deep SVDD, the proposed model is instantiated using flow-based models, which naturally prevents from collapsing of bounding hypersphere into a single point. Experiments show that FlowSVDD achieves comparable results to the current state-of-the-art methods and significantly outperforms related deep SVDD methods on benchmark datasets.
Abstract（参考訳）: 我々はflowsvddを提案する。flowsvddは、ディープラーニングツールを使用してよく知られたsvdd原則を実現する、異常/異常検出のためのフローベースの1クラス分類器である。ディープsvddに対する他のアプローチとは対照的に、提案されたモデルはフローベースのモデルを使用してインスタンス化される。実験の結果,FlowSVDDは現在の最先端手法と同等の結果が得られ,ベンチマークデータセット上での深部SVDDメソッドよりも大幅に優れていた。

関連論文リスト

Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文参考訳（メタデータ） (2024-04-16T17:38:26Z)
Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文参考訳（メタデータ） (2023-12-18T09:52:14Z)
CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文参考訳（メタデータ） (2023-11-12T10:07:03Z)
Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文参考訳（メタデータ） (2023-10-15T18:44:30Z)
Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文参考訳（メタデータ） (2023-10-04T09:39:05Z)
One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning [17.590080772567678]
ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
論文参考訳（メタデータ） (2023-03-22T06:41:09Z)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)
Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models [22.697643259435115]
深層生成モデルは、分布外データ(OOD)に対して、分布内データ(ID)よりも高い確率を割り当てることができる。フローベースモデルにおける散逸を解析するための定理を証明している。本稿では,2つのグループ異常検出手法を提案する。
論文参考訳（メタデータ） (2020-02-09T09:54:12Z)
Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
論文参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。