論文の概要: Self-Supervised Likelihood Estimation with Energy Guidance for Anomaly Segmentation in Urban Scenes

• arxiv url: http://arxiv.org/abs/2302.06815v4
• Date: Tue, 31 Dec 2024 06:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 14:34:24.107414
• Title: Self-Supervised Likelihood Estimation with Energy Guidance for Anomaly Segmentation in Urban Scenes
• Title（参考訳）: 都市景観における異常セグメンテーションのためのエネルギー誘導による自己監督的様相推定
• Authors: Yuanpeng Tu, Yuxi Li, Boshen Zhang, Liang Liu, Jiangning Zhang, Yabiao Wang, Cai Rong Zhao,
• Abstract要約: 我々は、異常セグメンテーションのためのエネルギー誘導型自己教師型フレームワークを設計する。 我々は、セグメンテーションタスクの強い文脈依存の性質を利用する。 提案手法に基づいて,適応型自己教師型トレーニングフレームワークを考案した。
• 参考スコア（独自算出の注目度）: 40.63116482332324
• License:
• Abstract: Robust autonomous driving requires agents to accurately identify unexpected areas (anomalies) in urban scenes. To this end, some critical issues remain open: how to design advisable metric to measure anomalies, and how to properly generate training samples of anomaly data? Classical effort in anomaly detection usually resorts to pixel-wise uncertainty or sample synthesis, which ignores the contextual information and sometimes requires auxiliary data with fine-grained annotations. On the contrary, in this paper, we exploit the strong context-dependent nature of the segmentation task and design an energy-guided self-supervised framework for anomaly segmentation, which optimizes an anomaly head by maximizing the likelihood of self-generated anomaly pixels. For this purpose, we design two estimators to model anomaly likelihood, one is a task-agnostic binary estimator and the other depicts the likelihood as residual of task-oriented joint energy. Based on the proposed estimators, we devise an adaptive self-supervised training framework, which exploits the contextual reliance and estimated likelihood to refine mask annotations in anomaly areas. We conduct extensive experiments on challenging Fishyscapes and Road Anomaly benchmarks, demonstrating that without any auxiliary data or synthetic models, our method can still achieve comparable performance to supervised competitors. Code is available at https://github.com/yuanpengtu/SLEEG..
• Abstract（参考訳）: ロバストな自動運転は、エージェントが都市のシーンで予期せぬ場所(異常)を正確に識別する必要がある。 この目的のために、いくつかの重要な問題は未解決のままである: 異常を測定するための推奨メトリックをどのように設計し、異常データのトレーニングサンプルを適切に生成するか? 異常検出における古典的な取り組みは、通常はピクセル単位の不確実性やサンプル合成に頼り、文脈情報を無視し、時に細かいアノテーションを持つ補助データを必要とする。 一方,本論文では,セグメンテーションタスクの強い文脈依存性を利用して,自己生成した異常画素の可能性を最大化して異常ヘッドを最適化する,異常セグメンテーションのためのエネルギー誘導型自己組織化フレームワークを設計する。 この目的のために,2つの推定器を設計し,その1つはタスク非依存の2値推定器であり,もう1つはタスク指向のジョイントエネルギーの残余であることを示す。 提案手法を応用した適応型自己教師型トレーニングフレームワークを考案した。 提案手法は, 補助データや合成モデルがなければ, 教師付き競合相手に匹敵する性能を達成できることを実証し, 挑戦的フィッシュスケープとロード異常ベンチマークの広範な実験を行った。 コードはhttps://github.com/yuanpengtu/SLEEG.comで入手できる。 と。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Generalizing Multi-Step Inverse Models for Representation Learning to Finite-Memory POMDPs [23.584313644411967]
  本研究では,関連する情報のみを符号化し,無関係な情報を破棄する情報的,あるいはエージェント中心の状態表現の発見問題について検討する。 我々の結果は、決定論的力学設定の理論と、代替直観的アルゴリズムの反例を含む。 アルゴリズムを正しく使用した場合に成功させ、正しく使用した場合に劇的な失敗を引き起こす。
  論文  参考訳（メタデータ） (2024-04-22T19:46:16Z)
• 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)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and Localization [1.3124513975412255]
  Eyecandiesは、教師なしの異常検出とローカライゼーションのための新しいデータセットである。 複数の雷条件下で、手続き的に生成されたキャンディーのフォトリアリスティック画像が制御された環境でレンダリングされる。
  論文  参考訳（メタデータ） (2022-10-10T11:19:58Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Acquisition-invariant brain MRI segmentation with informative uncertainties [3.46329153611365]
  ポストホックな多地点補正法は存在するが、現実のシナリオではしばしば成立しない強い仮定を持つ。 この研究は、セグメンテーションタスクの文脈において、獲得の物理学に堅牢になるようなアルゴリズムを実証している。 提案手法は, ホールドアウトデータセットの完全化, セグメンテーション品質の維持だけでなく, サイト固有のシーケンス選択も考慮しながら, 一般化できることを実証する。
  論文  参考訳（メタデータ） (2021-11-07T13:58:04Z)
• Detecting Anomalies Through Contrast in Heterogeneous Data [21.56932906044264]
  先行モデルの欠点に対処するために,コントラスト学習に基づく異種異常検出器を提案する。 我々のモデルは非対称オートエンコーダを使い、大きなarity カテゴリ変数を効果的に処理できる。 木材取引における異常検出におけるモデルの有効性を示す質的研究を行った。
  論文  参考訳（メタデータ） (2021-04-02T17:21:12Z)

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。