Fugu-MT 論文翻訳(概要): Anomaly detection using prediction error with Spatio-Temporal Convolutional LSTM

論文の概要: Anomaly detection using prediction error with Spatio-Temporal Convolutional LSTM

arxiv url: http://arxiv.org/abs/2205.08812v1
Date: Wed, 18 May 2022 09:25:53 GMT
ステータス: 処理完了
システム内更新日: 2022-05-19 13:31:27.885472
Title: Anomaly detection using prediction error with Spatio-Temporal Convolutional LSTM
Title（参考訳）: 時空間畳み込みLSTMによる予測誤差を用いた異常検出
Authors: Hanh Thi Minh Tran, David Hogg
Abstract要約: 本稿では,既存アーキテクチャをモチベーションとした異常検出手法を提案する。 5つのベンチマークデータセットを用いた実験では、予測を用いた場合、再構成を用いた場合よりも優れた性能が得られた。
参考スコア（独自算出の注目度）: 1.0878040851638
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper, we propose a novel method for video anomaly detection motivated by an existing architecture for sequence-to-sequence prediction and reconstruction using a spatio-temporal convolutional Long Short-Term Memory (convLSTM). As in previous work on anomaly detection, anomalies arise as spatially localised failures in reconstruction or prediction. In experiments with five benchmark datasets, we show that using prediction gives superior performance to using reconstruction. We also compare performance with different length input/output sequences. Overall, our results using prediction are comparable with the state of the art on the benchmark datasets.
Abstract（参考訳）: 本稿では,時空間畳み込み型long short-term memory (convlstm) を用いた,既存アーキテクチャによるシーケンス間予測と再構成のためのビデオ異常検出手法を提案する。以前の異常検出の研究と同様に、異常は再構成や予測において空間的局所的な障害として生じる。 5つのベンチマークデータセットを用いた実験では,予測を用いることで再現性に優れた性能が得られた。また、異なる長さの入出力シーケンスと比較した。全体として、予測を用いた結果は、ベンチマークデータセットの最先端技術と同等です。

関連論文リスト

Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
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)
AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
時系列データの異常検出は、様々な産業領域でますます一般的になっている。最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
論文参考訳（メタデータ） (2022-12-27T17:22:21Z)
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)
Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文参考訳（メタデータ） (2022-10-27T19:45:12Z)
Video Anomaly Detection via Prediction Network with Enhanced Spatio-Temporal Memory Exchange [21.334952965297667]
ビデオ異常検出は、ほとんどの異常は少なく、決定論的ではないため、難しい作業である。大規模なメモリ交換を拡張した畳み込みLSTM自動エンコーダ予測フレームワークを設計する。 3つのベンチマークで評価した結果,我々のフレームワークは既存の予測に基づく異常検出手法よりも優れていた。
論文参考訳（メタデータ） (2022-06-26T16:10:56Z)
Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for Inverse Problem [97.64313409741614]
ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
論文参考訳（メタデータ） (2022-06-18T03:47:37Z)
Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文参考訳（メタデータ） (2022-02-25T01:50:22Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection [3.727524403726822]
時系列における異常検出は広く研究され、重要な実用的応用がなされている。近年、異常検出アルゴリズムは、主にディープラーニング生成モデルに基づいており、再構成誤差を用いて異常を検出する。本稿では,正規化に対する再構成異常の考え方に基づくRANを提案し,それを教師なし時系列異常検出に適用する。
論文参考訳（メタデータ） (2020-10-14T07:10:55Z)
CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。