論文の概要: Description and Discussion on DCASE 2022 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring Applying Domain Generalization Techniques

• arxiv url: http://arxiv.org/abs/2206.05876v1
• Date: Mon, 13 Jun 2022 02:06:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 15:01:58.666685
• Title: Description and Discussion on DCASE 2022 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring Applying Domain Generalization Techniques
• Title（参考訳）: dcase 2022チャレンジタスク2 : ドメイン一般化手法を適用した機械状態監視のための教師なし異常音検出
• Authors: Kota Dohi, Keisuke Imoto, Noboru Harada, Daisuke Niizumi, Yuma Koizumi, Tomoya Nishida, Harsh Purohit, Takashi Endo, Masaaki Yamamoto and Yohei Kawaguchi
• Abstract要約: 音響シーン・イベントの検出・分類のタスク記述について紹介する。2022 課題2:「ドメイン一般化技術を適用した機械状態監視のための教師なし異常音検出(ASD)」。 本稿では,DCASE 2021 Challenge Task 2において,ドメインシフトを扱うためのASDタスクを編成した。 2022タスク2では,ドメインシフトによらず異常を検出する領域一般化技術に注目した。
• 参考スコア（独自算出の注目度）: 35.54126113756623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the task description of the Detection and Classification of Acoustic Scenes and Events (DCASE) 2022 Challenge Task 2: "Unsupervised anomalous sound detection (ASD) for machine condition monitoring applying domain generalization techniques". Domain shifts are a critical problem for the application of ASD systems. Because domain shifts can change the acoustic characteristics of data, a model trained in a source domain performs poorly for a target domain. In DCASE 2021 Challenge Task 2, we organized an ASD task for handling domain shifts. In this task, it was assumed that the occurrences of domain shifts are known. However, in practice, the domain of each sample may not be given, and the domain shifts can occur implicitly. In 2022 Task 2, we focus on domain generalization techniques that detects anomalies regardless of the domain shifts. Specifically, the domain of each sample is not given in the test data and only one threshold is allowed for all domains. We will add challenge results and analysis of the submissions after the challenge submission deadline.
• Abstract（参考訳）: 本稿では,音響シーンとイベントの検出と分類に関するタスク記述(dcase)2022 challenge task 2: "unsupervised anomalous sound detection (asd) for machine condition monitoring using domain generalization techniques"について述べる。 ドメインシフトは、ASDシステムの適用にとって重要な問題である。 ドメインシフトはデータの音響特性を変化させる可能性があるため、ソースドメインでトレーニングされたモデルは、ターゲットドメインに対して性能が悪い。 DCASE 2021 Challenge Task 2では、ドメインシフトを処理するためのASDタスクを編成しました。 この課題では、領域シフトの発生が知られていると仮定された。 しかし、実際には、各サンプルのドメインは与えられず、ドメインシフトは暗黙的に発生する可能性がある。 2022タスク2では,ドメインシフトによらず異常を検出する領域一般化技術に注目した。 具体的には、各サンプルのドメインがテストデータに与えられず、すべてのドメインに対して1つのしきい値のみが許可される。 課題提出期限後に,課題結果と提案内容の分析を加えます。

関連論文リスト

• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Make the U in UDA Matter: Invariant Consistency Learning for Unsupervised Domain Adaptation [86.61336696914447]
  ICON (Invariant Consistency Learning) の略。 我々は2つの領域に等しくの地位を与えることで、教師なしDAのUを作成することを提案する。 ICON は古典的な UDA ベンチマークである Office-Home と VisDA-2017 で最先端のパフォーマンスを実現し、挑戦的な WILDS 2.0 ベンチマークでは従来の方法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-22T09:43:32Z)
• Learning Domain-Aware Detection Head with Prompt Tuning [27.597165816077826]
  ドメイン適応オブジェクト検出(DAOD)は、注釈付きソースドメインで訓練された検出器を、未ラベルのターゲットドメインに一般化することを目的としている。 本稿では,各領域に対して動的検出ヘッドを生成するために,学習可能なドメイン適応プロンプトを適用したドメイン認識検出ヘッド(DA-Pro)を提案する。
  論文  参考訳（メタデータ） (2023-06-09T07:30:10Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Making the Best of Both Worlds: A Domain-Oriented Transformer for Unsupervised Domain Adaptation [31.150256154504696]
  Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。 ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。 本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:38:37Z)
• MIMII DG: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection for Domain Generalization Task [9.17388311687786]
  異常音検出(ASD)のための領域一般化手法をベンチマークするための機械音響データセットを提案する。 本稿では,MIMII DG と呼ばれる領域一般化技術のための最初の ASD データセットを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:19:16Z)
• Description and Discussion on DCASE 2021 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring under Domain Shifted Conditions [37.68195595947483]
  本課題は, ASD システムの実用化における避けられない問題に焦点をあてる。 この課題の主な課題は、トレーニングと試験サンプルの音響特性が異なる未知の異常音を検出することである。
  論文  参考訳（メタデータ） (2021-06-08T16:26:10Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• MIMII DUE: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection with Domain Shifts due to Changes in Operational and Environmental Conditions [5.441198440485553]
  本稿では,産業機械の故障調査とドメインシフトによる検査のための新しいデータセットを提案する。 ドメインシフトに対する堅牢性をチェックするには、ドメインシフトを持つデータセットが必要です。 データセットはDCASE 2021 Challenge Task 2のデータセットのサブセットであり、https://zenodo.org/record/4740355.comで自由に利用できる。
  論文  参考訳（メタデータ） (2021-05-06T14:18:24Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)

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。