論文の概要: Generative Cooperative Learning for Unsupervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2203.03962v1
• Date: Tue, 8 Mar 2022 09:36:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 14:57:03.690628
• Title: Generative Cooperative Learning for Unsupervised Video Anomaly Detection
• Title（参考訳）: 教師なしビデオ異常検出のための生成協調学習
• Authors: Muhammad Zaigham Zaheer, Arif Mahmood, Muhammad Haris Khan, Mattia Segu, Fisher Yu, Seung-Ik Lee
• Abstract要約: 本稿では,ビデオ異常検出のための教師なし生成協調学習(GCL)手法を提案する。 基本的に、両方のネットワークは協調的に訓練され、教師なしの学習が可能になる。 2つの大規模ビデオ異常検出データセットについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 29.07998538748002
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Video anomaly detection is well investigated in weakly-supervised and one-class classification (OCC) settings. However, unsupervised video anomaly detection methods are quite sparse, likely because anomalies are less frequent in occurrence and usually not well-defined, which when coupled with the absence of ground truth supervision, could adversely affect the performance of the learning algorithms. This problem is challenging yet rewarding as it can completely eradicate the costs of obtaining laborious annotations and enable such systems to be deployed without human intervention. To this end, we propose a novel unsupervised Generative Cooperative Learning (GCL) approach for video anomaly detection that exploits the low frequency of anomalies towards building a cross-supervision between a generator and a discriminator. In essence, both networks get trained in a cooperative fashion, thereby allowing unsupervised learning. We conduct extensive experiments on two large-scale video anomaly detection datasets, UCF crime, and ShanghaiTech. Consistent improvement over the existing state-of-the-art unsupervised and OCC methods corroborate the effectiveness of our approach.
• Abstract（参考訳）: ビデオ異常検出はocc(weakly supervised and one-class classification)設定においてよく研究されている。 しかし、非教師なしビデオ異常検出法は、多くの場合、発生頻度が低く、通常は明確に定義されていないため、基礎的な真実の監督がない場合には、学習アルゴリズムの性能に悪影響を及ぼす可能性がある。 この問題は、退屈なアノテーションを入手し、人間の介入なしにそのようなシステムをデプロイするコストを完全に根絶できるため、難しいが報われている。 そこで本研究では,ジェネレータと判別器のクロススーパービジョンを構築するために,異常の頻度が低いビデオ異常検出のための,教師なし生成協調学習(gcl)手法を提案する。 基本的に、両方のネットワークは協調的に訓練され、教師なしの学習が可能になる。 2つの大規模ビデオ異常検出データセット、UCF犯罪、上海技術について広範な実験を行った。 既存の最先端の教師なし手法とOCC手法との整合性の改善は,我々のアプローチの有効性を裏付けるものである。

関連論文リスト

• Investigation of unsupervised and supervised hyperspectral anomaly detection [11.56957155775389]
  ハイパースペクトル異常検出(HS-AD)は、キャプチャされたシーンを特徴付け、それらを異常クラスとバックグラウンドクラスに分離する。 我々は以前,ハイパースペクトルアンミキシングと3つの教師なしHS-ADアルゴリズムの等価な投票アンサンブルを設計した。 我々は後に、教師付き分類器を用いて投票アンサンブルの重みを判定し、異種無教師型HS-ADアルゴリズムのハイブリッドを作成する。
  論文  参考訳（メタデータ） (2024-08-13T17:20:14Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• Video Anomaly Detection using GAN [0.0]
  この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。 我々は,新しいGANに基づく異常検出モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-23T16:41:30Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection [4.494911384096143]
  ビデオにおける異常事象の検出は、監視などのアプリケーションにおいて重要な問題である。 セグメントレベル(正規/異常)の擬似ラベルを生成する簡易な2段擬似ラベル生成フレームワークを提案する。 提案した粗大な擬似ラベル生成器は、慎重に設計された階層的分割クラスタリングと統計的仮説テストを用いている。
  論文  参考訳（メタデータ） (2023-10-26T17:59:19Z)
• Towards Open Set Video Anomaly Detection [11.944167192592905]
  Open Set Video Anomaly Detection (OpenVAD) は、既知の異常と新しい異常の両方が存在するビデオデータから異常事象を識別することを目的としている。 本研究では, 深層学習 (EDL) と正規化フロー (NFs) をマルチインスタンス学習 (MIL) フレームワークに統合することにより, オープンVAD 問題に対する弱教師付き手法を開発した。
  論文  参考訳（メタデータ） (2022-08-23T17:53:34Z)
• Weakly-supervised Joint Anomaly Detection and Classification [11.37307883423629]
  異常行為は、現実世界の監視システムにおける人命と財産の喪失を防ぐための即時行動を必要とする。 監視システムの最近の自動化は異常を検出することができるが、異常を分類するためには人間の努力が必要である。 本稿では,弱い教師付き学習パラダイムを採用することにより,単一フレームワークにおける異常検出と分類を共同で処理する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-20T04:31:07Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。