Fugu-MT 論文翻訳(概要): Learning Not to Reconstruct Anomalies

論文の概要: Learning Not to Reconstruct Anomalies

arxiv url: http://arxiv.org/abs/2110.09742v1
Date: Tue, 19 Oct 2021 05:22:38 GMT
ステータス: 処理完了
システム内更新日: 2021-10-20 14:07:17.885485
Title: Learning Not to Reconstruct Anomalies
Title（参考訳）: 異常を再構築しない学習
Authors: Marcella Astrid, Muhammad Zaigham Zaheer, Jae-Yeong Lee, Seung-Ik Lee
Abstract要約: オートエンコーダ(AE)は、通常のデータのみからなるトレーニングセットで入力を再構築するために訓練される。 AEは、異常なデータを十分に再構築しつつ、正常なデータを適切に再構築することが期待されている。本稿では,入力によらず,通常のデータのみを再構築する目的で,AEを訓練するための新しい手法を提案する。
参考スコア（独自算出の注目度）: 14.632592282260363
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Video anomaly detection is often seen as one-class classification (OCC) problem due to the limited availability of anomaly examples. Typically, to tackle this problem, an autoencoder (AE) is trained to reconstruct the input with training set consisting only of normal data. At test time, the AE is then expected to well reconstruct the normal data while poorly reconstructing the anomalous data. However, several studies have shown that, even with only normal data training, AEs can often start reconstructing anomalies as well which depletes the anomaly detection performance. To mitigate this problem, we propose a novel methodology to train AEs with the objective of reconstructing only normal data, regardless of the input (i.e., normal or abnormal). Since no real anomalies are available in the OCC settings, the training is assisted by pseudo anomalies that are generated by manipulating normal data to simulate the out-of-normal-data distribution. We additionally propose two ways to generate pseudo anomalies: patch and skip frame based. Extensive experiments on three challenging video anomaly datasets demonstrate the effectiveness of our method in improving conventional AEs, achieving state-of-the-art performance.
Abstract（参考訳）: ビデオ異常検出は、異常例が限られているため、一級分類(OCC)問題と見なされることが多い。通常、この問題に対処するために、オートエンコーダ(AE)が訓練され、通常のデータのみからなるトレーニングセットで入力を再構築する。テスト時には、AEは異常なデータを十分に再構成しつつ、正常なデータを適切に再構成することが期待される。しかしながら、いくつかの研究は、通常のデータトレーニングのみであっても、AEは異常検出性能を低下させるような異常の再構築を始めることができることを示した。この問題を緩和するために,入力(通常または異常)に関係なく,通常のデータのみを再構成する目的でAEを訓練する新しい手法を提案する。 OCC設定では実際の異常は利用できないため、トレーニングは通常のデータを操作して正規データ分布をシミュレートする擬似異常によって支援される。さらに,パッチとスキップフレームに基づく擬似異常を生成する2つの方法を提案する。 3つの難解なビデオ異常データセットに関する広範囲な実験により、従来のaesの改善と最先端の性能向上に本手法の有効性が示された。

関連論文リスト

Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文参考訳（メタデータ） (2024-10-14T08:41:31Z)
Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies [17.342474659784823]
異常検出の典型的なアプローチは、通常のデータのパターンや表現を学習するためにのみ、通常のデータでオートエンコーダ(AE)を訓練することである。本稿では,AEの弱点,すなわち異常の再構築をうまく活用して,学習適応雑音から擬似異常を生成することを提案する。
論文参考訳（メタデータ） (2024-05-09T16:22:24Z)
Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data [11.237938539765825]
オートエンコーダ(AE)は通常、データを再構築するために訓練される。テスト期間中、AEは実際の異常を使用して訓練されていないため、異常データを十分に再構成することが期待されている。我々は,新しい潜在的拘束損失を導入することで,AEの再建能力を制限することを提案する。
論文参考訳（メタデータ） (2024-03-24T19:22:15Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
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)
PseudoBound: Limiting the anomaly reconstruction capability of one-class classifiers using pseudo anomalies [13.14903445595385]
オートエンコーダ(AE)は、正常な訓練データのみを再構成するために訓練され、テスト時間内に異常なデータを貧弱に再構築する。本稿では,AEのトレーニング中に擬似異常を組み込むことにより,AEの異常再構築能力を制限することを提案する。 3つのベンチマークビデオ異常データセット上で,既存のSOTA手法に対する擬似異常に基づくトレーニング手法の有効性を実証した。
論文参考訳（メタデータ） (2023-03-19T16:19:13Z)
Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文参考訳（メタデータ） (2023-03-09T08:33:38Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection [16.436293069942312]
オートエンコーダ(AE)は、しばしば異常検出性能を低下させる異常の再構築を開始する。本研究では,正規データのみを用いて擬似異常を発生させる時間的擬似異常シンセサイザーを提案する。 AEは、通常のデータでこの損失を最小化しつつ、擬似異常の復元損失を最大化するように訓練される。
論文参考訳（メタデータ） (2021-10-19T07:08:44Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。