論文の概要: SAFE-OCC: A Novelty Detection Framework for Convolutional Neural Network
Sensors and its Application in Process Control
- arxiv url: http://arxiv.org/abs/2202.01816v1
- Date: Thu, 3 Feb 2022 19:47:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 02:51:52.330570
- Title: SAFE-OCC: A Novelty Detection Framework for Convolutional Neural Network
Sensors and its Application in Process Control
- Title（参考訳）: SAFE-OCC:畳み込みニューラルネットワークセンサの新しい検出フレームワークとそのプロセス制御への応用
- Authors: Joshua L. Pulsipher, Luke D. J. Coutinho, Tyler A. Soderstrom, and
Victor M. Zavala
- Abstract要約: 本稿では,センサアクティベート特徴抽出ワンクラス分類(SAFE-OCC)と呼ばれる,畳み込みニューラルネットワーク(CNN)センサの新規検出フレームワークを提案する。
このフレームワークは,プロセス制御アーキテクチャにおけるコンピュータビジョンセンサの安全な利用を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novelty detection framework for Convolutional Neural Network
(CNN) sensors that we call Sensor-Activated Feature Extraction One-Class
Classification (SAFE-OCC). We show that this framework enables the safe use of
computer vision sensors in process control architectures. Emergent control
applications use CNN models to map visual data to a state signal that can be
interpreted by the controller. Incorporating such sensors introduces a
significant system operation vulnerability because CNN sensors can exhibit high
prediction errors when exposed to novel (abnormal) visual data. Unfortunately,
identifying such novelties in real-time is nontrivial. To address this issue,
the SAFE-OCC framework leverages the convolutional blocks of the CNN to create
an effective feature space to conduct novelty detection using a desired
one-class classification technique. This approach engenders a feature space
that directly corresponds to that used by the CNN sensor and avoids the need to
derive an independent latent space. We demonstrate the effectiveness of
SAFE-OCC via simulated control environments.
- Abstract（参考訳）: 本稿では,センサアクティベート特徴抽出ワンクラス分類(SAFE-OCC)と呼ばれる,畳み込みニューラルネットワーク(CNN)センサの新規検出フレームワークを提案する。
このフレームワークは,プロセス制御アーキテクチャにおけるコンピュータビジョンセンサの安全な利用を可能にする。
緊急制御アプリケーションはcnnモデルを使用して、コントローラが解釈可能な状態信号に視覚データをマッピングする。
このようなセンサを組み込むと、CNNセンサーが新しい(異常な)視覚データに晒されたときに高い予測誤差を示すため、システム操作の重大な脆弱性が発生する。
残念ながら、そのような新事実をリアルタイムで特定するのは簡単ではない。
この問題に対処するため、SAFE-OCCフレームワークはCNNの畳み込みブロックを活用し、所望の1クラス分類技術を用いて新規性検出を行う効果的な特徴空間を作成する。
このアプローチでは、cnnセンサーが使用する機能空間に直接対応し、独立した潜在空間を導出する必要がなくなる。
シミュレーション制御環境によるSAFE-OCCの有効性を示す。
関連論文リスト
- A Stochastic Approach to Classification Error Estimates in Convolutional
Neural Networks [0.0]
自動化のグレード(GoA)4では,将来の自動貨物列車の障害物検出機能を利用する。
本稿では,障害物検出機能から期待されるシステムレベルのハザード率を定量的に分析する。
センサ/パーセプタ融合を用いて、融合検出システムは、適用すべき安全保全レベルに対して許容できる危険度を満たすことができる。
論文 参考訳（メタデータ） (2023-12-21T15:31:52Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - A Variational Autoencoder Framework for Robust, Physics-Informed
Cyberattack Recognition in Industrial Cyber-Physical Systems [2.051548207330147]
我々は、産業制御システムに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発する。
このフレームワークは、可変オートエンコーダ(VAE)、リカレントニューラルネットワーク(RNN)、ディープニューラルネットワーク(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳（メタデータ） (2023-10-10T19:07:53Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Towards a Safety Case for Hardware Fault Tolerance in Convolutional
Neural Networks Using Activation Range Supervision [1.7968112116887602]
畳み込みニューラルネットワーク(CNN)は多くの安全クリティカルなコンピュータビジョンアプリケーションの一部として確立されている。
我々は,高度に信頼性の高い故障検知器として範囲監視が重要であることを示すことによって,CNNのプロトタイプ型安全ケースを構築した。
本研究では,無声データ破損の確率と訂正不能な誤りを効果的に抑制する,新しい非一様範囲制限法について検討する。
論文 参考訳（メタデータ） (2021-08-16T11:13:55Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-27T19:58:06Z) - SSTN: Self-Supervised Domain Adaptation Thermal Object Detection for
Autonomous Driving [6.810856082577402]
コントラスト学習により可視スペクトル領域と赤外スペクトル領域の情報を最大化するための機能埋め込みを学習するためのディープニューラルネットワークSelf Supervised Thermal Network (SSTN)を提案する。
提案手法は、FLIR-ADASデータセットとKAISTマルチスペクトラルデータセットの2つの公開データセットで広く評価されている。
論文 参考訳（メタデータ） (2021-03-04T16:42:49Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳（メタデータ） (2020-09-25T17:48:43Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z)
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。