論文の概要: Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping

• arxiv url: http://arxiv.org/abs/2108.06816v1
• Date: Sun, 15 Aug 2021 21:22:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 01:13:40.031384
• Title: Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping
• Title（参考訳）: 動的時間ゆがみを伴う弱教師付き時間異常セグメンテーション
• Authors: Dongha Lee, Sehun Yu, Hyunjun Ju, Hwanjo Yu
• Abstract要約: 本稿では,入力インスタンス内の異常時間セグメントを効果的に識別する新しいフレームワークであるWETASを提案する。 WETASは時間的異常の局所化という点で他のベースラインよりもかなり優れていることを示す。
• 参考スコア（独自算出の注目度）: 23.829072352059953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most recent studies on detecting and localizing temporal anomalies have mainly employed deep neural networks to learn the normal patterns of temporal data in an unsupervised manner. Unlike them, the goal of our work is to fully utilize instance-level (or weak) anomaly labels, which only indicate whether any anomalous events occurred or not in each instance of temporal data. In this paper, we present WETAS, a novel framework that effectively identifies anomalous temporal segments (i.e., consecutive time points) in an input instance. WETAS learns discriminative features from the instance-level labels so that it infers the sequential order of normal and anomalous segments within each instance, which can be used as a rough segmentation mask. Based on the dynamic time warping (DTW) alignment between the input instance and its segmentation mask, WETAS obtains the result of temporal segmentation, and simultaneously, it further enhances itself by using the mask as additional supervision. Our experiments show that WETAS considerably outperforms other baselines in terms of the localization of temporal anomalies, and also it provides more informative results than point-level detection methods.
• Abstract（参考訳）: 時間的異常の検出と局所化に関する最近の研究は、主に深層ニューラルネットワークを用いて、教師なしの方法で時間的データの正常なパターンを学習している。 それらとは異なり、我々の研究の目標はインスタンスレベルの(または弱い)異常ラベルを完全に活用することであり、これは時間データの各インスタンスで異常な事象が発生したかどうかのみを示すものである。 本稿では,入力インスタンスにおける異常な時間的セグメント(すなわち連続時間点)を効果的に識別する新しいフレームワークであるwetasを提案する。 WETASはインスタンスレベルのラベルから識別的特徴を学習し、各インスタンス内の正常なセグメントと異常なセグメントの順序を推論し、粗いセグメンテーションマスクとして使用できる。 入力インスタンスとそのセグメンテーションマスク間の動的時間ワープ(DTW)アライメントに基づいて、WETASは、時間セグメンテーションの結果を取得し、同時に、マスクを追加の監視として使用することにより、さらに強化する。 実験の結果,WETASは時間的異常の局所化という点で他のベースラインよりも優れており,点レベルの検出方法よりも有意な結果が得られた。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Low-count Time Series Anomaly Detection [1.3207844222875191]
  低数の時系列はスパースまたは断続的なイベントを記述しており、多様なデータタイプをキャプチャし監視する大規模オンラインプラットフォームで広く使われている。 低数時系列、特に低信号対雑音比をモデル化する際、いくつかの異なる課題が表面化している。 異常セグメントを持つ低カウント時系列からなるベンチマークデータセットを作成するための新しい生成手順を提案する。
  論文  参考訳（メタデータ） (2023-08-24T16:58:30Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Time-series Anomaly Detection via Contextual Discriminative Contrastive Learning [0.0]
  一級分類法は、異常検出タスクに一般的に使用される。 本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。 我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
  本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。 NCADは教師なし設定から教師なし設定までシームレスにスケールする。 我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
  論文  参考訳（メタデータ） (2021-07-16T04:33:53Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Localizing Anomalies from Weakly-Labeled Videos [45.58643708315132]
  Weakly Supervised Anomaly Localization (WSAL)法を提案する。 異常映像の出現差にインスパイアされ, 隣接する時間領域の進化を異常映像の局所化のために評価した。 提案手法は,UCF-CrimeおよびTAD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） (2020-08-20T12:58:03Z)

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。