論文の概要: Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2209.12148v2
• Date: Thu, 5 Oct 2023 10:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 23:26:16.647990
• Title: Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection
• Title（参考訳）: 異常検出のための自己教師付きマスク畳み込み変圧器ブロック
• Authors: Neelu Madan, Nicolae-Catalin Ristea, Radu Tudor Ionescu, Kamal Nasrollahi, Fahad Shahbaz Khan, Thomas B. Moeslund, Mubarak Shah
• Abstract要約: 本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
• 参考スコア（独自算出の注目度）: 122.4894940892536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection has recently gained increasing attention in the field of computer vision, likely due to its broad set of applications ranging from product fault detection on industrial production lines and impending event detection in video surveillance to finding lesions in medical scans. Regardless of the domain, anomaly detection is typically framed as a one-class classification task, where the learning is conducted on normal examples only. An entire family of successful anomaly detection methods is based on learning to reconstruct masked normal inputs (e.g. patches, future frames, etc.) and exerting the magnitude of the reconstruction error as an indicator for the abnormality level. Unlike other reconstruction-based methods, we present a novel self-supervised masked convolutional transformer block (SSMCTB) that comprises the reconstruction-based functionality at a core architectural level. The proposed self-supervised block is extremely flexible, enabling information masking at any layer of a neural network and being compatible with a wide range of neural architectures. In this work, we extend our previous self-supervised predictive convolutional attentive block (SSPCAB) with a 3D masked convolutional layer, a transformer for channel-wise attention, as well as a novel self-supervised objective based on Huber loss. Furthermore, we show that our block is applicable to a wider variety of tasks, adding anomaly detection in medical images and thermal videos to the previously considered tasks based on RGB images and surveillance videos. We exhibit the generality and flexibility of SSMCTB by integrating it into multiple state-of-the-art neural models for anomaly detection, bringing forth empirical results that confirm considerable performance improvements on five benchmarks. We release our code and data as open source at: https://github.com/ristea/ssmctb.
• Abstract（参考訳）: 産業生産ラインにおける製品故障の検出から、ビデオ監視におけるイベント検出の差し迫ったこと、医療スキャンにおける病変発見まで幅広い応用から、コンピュータビジョンの分野では近年、異常検出が注目されている。 ドメインに関係なく、異常検出は通常、通常の例でのみ学習が行われる1クラス分類タスクとしてフレーム化される。 成功した異常検出方法のファミリー全体は、マスクされた正規入力(パッチ、将来のフレームなど)を再構築し、異常レベルを示す指標として再構成誤差の大きさを行使する学習に基づいている。 他の再構成手法と異なり, コアアーキテクチャレベルでの再構成機能を備えた自己教師型マスク型畳み込み変圧器ブロック (SSMCTB) を提案する。 提案された自己教師ブロックは極めて柔軟で、ニューラルネットワークの任意の層で情報マスキングが可能で、幅広いニューラルネットワークアーキテクチャと互換性がある。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,ハマーロスに基づく新たな自己教師型目標を用いて拡張する。 さらに,我々のブロックは,RGB画像と監視ビデオに基づく従来検討されていたタスクに,医療画像やサーマルビデオの異常検出を加えることで,幅広いタスクに適用可能であることを示す。 我々は、SSMCTBの汎用性と柔軟性を、異常検出のための複数の最先端ニューラルネットワークに組み込むことで示し、5つのベンチマークでかなりの性能改善を実証する実験結果を得た。 コードとデータはオープンソースとして、https://github.com/ristea/ssmctbでリリースします。

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• Temporal Shift -- Multi-Objective Loss Function for Improved Anomaly Fall Detection [3.813649699234981]
  逐次フレームのウィンドウ内における将来のフレームと再構成フレームの両方を予測することを目的とした,Temporal Shiftと呼ばれる多目的損失関数を提案する。 異なるモデル間での大幅な改善により、このアプローチは広く採用され、フォール検出以外の他の設定での異常検出機能を改善する可能性がある。
  論文  参考訳（メタデータ） (2023-11-06T04:29:12Z)
• Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
  本稿では,新しいGANに基づく異常検出モデルを提案する。 通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。 CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2022-11-24T21:52:25Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Learning Memory-guided Normality for Anomaly Detection [33.77435699029528]
  本稿では,異常検出に対する教師なし学習手法を提案する。 また,メモリをトレーニングするための特徴量と分離性損失を新たに提示し,メモリアイテムの識別能力と通常のデータからの深い学習能力を高める。
  論文  参考訳（メタデータ） (2020-03-30T05:30:09Z)

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。