論文の概要: Automated Antenna Testing Using Encoder-Decoder-based Anomaly Detection
- arxiv url: http://arxiv.org/abs/2111.13884v1
- Date: Sat, 27 Nov 2021 12:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 10:39:40.513717
- Title: Automated Antenna Testing Using Encoder-Decoder-based Anomaly Detection
- Title(参考訳): エンコーダデコーダに基づく異常検出によるアンテナ自動テスト
- Authors: Hans Hao-Hsun Hsu, Jiawen Xu, Ravi Sama and Matthias Kovatsch
- Abstract要約: 吸収材料を用いて放射電磁界(EM)を記録可能なアンテナアレイの試験法を提案する。
トレーニングしたモデルを用いて正常なシーケンスを再構築し、熱カメラで観測された実際のシーケンスと比較することができる。
輪郭に基づく異常検出器は、再構成誤差行列を異常スコアにマッピングし、故障アンテナアレイを特定する。
- 参考スコア(独自算出の注目度): 2.580765958706854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new method for testing antenna arrays that records the radiating
electromagnetic (EM) field using an absorbing material and evaluating the
resulting thermal image series through an AI using a conditional
encoder-decoder model. Given the power and phase of the signals fed into each
array element, we are able to reconstruct normal sequences through our trained
model and compare it to the real sequences observed by a thermal camera. These
thermograms only contain low-level patterns such as blobs of various shapes. A
contour-based anomaly detector can then map the reconstruction error matrix to
an anomaly score to identify faulty antenna arrays and increase the
classification F-measure (F-M) by up to 46%. We show our approach on the time
series thermograms collected by our antenna testing system. Conventionally, a
variational autoencoder (VAE) learning observation noise may yield better
results than a VAE with a constant noise assumption. However, we demonstrate
that this is not the case for anomaly detection on such low-level patterns for
two reasons. First, the baseline metric reconstruction probability, which
incorporates the learned observation noise, fails to differentiate anomalous
patterns. Second, the area under the receiver operating characteristic (ROC)
curve of a VAE with a lower observation noise assumption achieves 11.83% higher
than that of a VAE with learned noise.
- Abstract(参考訳): 吸収材料を用いて放射電磁界(EM)を記録し、条件エンコーダデコーダモデルを用いてAIを介して得られた熱画像系列を評価するアンテナアレイの試験方法を提案する。
各配列要素に供給される信号のパワーと位相を考えると、トレーニングしたモデルを通じて正規シーケンスを再構築し、熱カメラで観測された実シーケンスと比較することができる。
これらのサーモグラムは、様々な形状のブロブのような低レベルのパターンのみを含む。
輪郭型異常検出器は、再構成誤差行列を異常スコアにマッピングし、故障アンテナアレイを特定し、分類F測定(F-M)を最大46%向上させることができる。
本稿では,アンテナ試験システムで収集した時系列サーモグラムについて述べる。
従来、変動型オートエンコーダ(VAE)学習観測ノイズは、一定のノイズ仮定を持つVAEよりもよい結果が得られる。
しかし,このような低レベルパターンの異常検出には2つの理由がある。
第1に、学習された観測ノイズを組み込んだベースラインメトリック再構成確率は、異常パターンの識別に失敗する。
第2に、観測ノイズの仮定が低いvaeの受信機動作特性(roc)曲線の下の領域は、学習ノイズのvaeのそれよりも11.83%高い。
関連論文リスト
- Novelty Detection on Radio Astronomy Data using Signatures [5.304803553490439]
SigNovaは、ストリームデータ中の異常を検出するための、新しい半教師付きフレームワークである。
我々は、シグネチャ変換を用いて観測シーケンスから統計の標準的コレクションを抽出する。
各特徴ベクトルは、RFIフリートレーニングセットにおいて、マハラノビスから隣人への距離として計算されたノベルティスコアが割り当てられる。
論文 参考訳(メタデータ) (2024-02-22T14:13:44Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - Residual ANODE [0.0]
データ駆動型モデル非依存型共振異常検出のための新しい手法であるR-ANODEを提案する。
R-ANODEの鍵は、正規化フローを小さく未知の信号成分に直接適合させることにより、異常検出タスクの誘導バイアスを高めることである。
本手法は,未知の信号区間が学習されたり固定されたりしても等しく動作し,信号区間の誤識別に対してさえ頑健であることを示す。
論文 参考訳(メタデータ) (2023-12-18T19:00:03Z) - 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) - FMM-Head: Enhancing Autoencoder-based ECG anomaly detection with prior
knowledge [6.278174335563065]
AutoEncoder Model (AE) はMLによる異常検出タスクに取り組むために提案されている。
我々は、ECG形状の事前知識に基づいて、AEの復号部を再構成ヘッドに置き換える。
我々のモデルは、最先端モデルよりも高い異常検出能力を一貫して達成する。
論文 参考訳(メタデータ) (2023-10-06T17:20:11Z) - 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) - Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar
Imaging [11.12267144061017]
本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。
提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。
従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
論文 参考訳(メタデータ) (2022-10-28T10:22:29Z) - Omni-frequency Channel-selection Representations for Unsupervised
Anomaly Detection [11.926787216956459]
本稿では,周波数を考慮した新しいOmni- frequency Channel-Selection Reconstruction (OCR-GAN) ネットワークを提案する。
提案手法は, 再建ベースラインを+38.1, 現行のSOTA法を+0.3に大きく上回っている。
論文 参考訳(メタデータ) (2022-03-01T06:35:15Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。