論文の概要: Set Features for Fine-grained Anomaly Detection
- arxiv url: http://arxiv.org/abs/2302.12245v1
- Date: Thu, 23 Feb 2023 18:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 13:52:23.610878
- Title: Set Features for Fine-grained Anomaly Detection
- Title(参考訳): きめ細かい異常検出のためのセット特徴
- Authors: Niv Cohen. Issar Tzachor, Yedid Hoshen
- Abstract要約: 本稿では,各サンプルの分布をモデル化する特徴セットを提案する。
簡単な密度推定法を用いて各試料の異常スコアを算出する。
我々の単純な実装アプローチは、画像レベルの論理異常検出における最先端技術よりも優れています。
- 参考スコア(独自算出の注目度): 32.36217153362305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-grained anomaly detection has recently been dominated by segmentation
based approaches. These approaches first classify each element of the sample
(e.g., image patch) as normal or anomalous and then classify the entire sample
as anomalous if it contains anomalous elements. However, such approaches do not
extend to scenarios where the anomalies are expressed by an unusual combination
of normal elements. In this paper, we overcome this limitation by proposing set
features that model each sample by the distribution its elements. We compute
the anomaly score of each sample using a simple density estimation method. Our
simple-to-implement approach outperforms the state-of-the-art in image-level
logical anomaly detection (+3.4%) and sequence-level time-series anomaly
detection (+2.4%).
- Abstract(参考訳): きめ細かい異常検出は、最近セグメンテーションに基づくアプローチによって支配されている。
これらのアプローチは、まずサンプルの各要素(例えばイメージパッチ)を正常または異常に分類し、その後、異常要素を含む場合、サンプル全体を異常に分類する。
しかし、そのようなアプローチは、異常が通常の要素の異常な組み合わせによって表現されるシナリオに拡張されない。
本稿では,各サンプルをモデルとする集合的特徴を各要素の分布によって提案することにより,この制限を克服する。
簡単な密度推定法を用いて各試料の異常スコアを算出する。
単純な実装アプローチは、画像レベルの論理異常検出(+3.4%)とシーケンスレベルの時系列異常検出(+2.4%)において最先端を上回っている。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
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) - Set Features for Anomaly Detection [50.311528896010785]
本稿では,通常成分の異常な組み合わせからなる試料中の異常を検出するためのセット特徴を提案する。
固定特徴量を用いた簡易密度推定法により,各試料の異常値を算出する。
本手法は,画像レベルの論理異常検出とシーケンスレベルの時系列異常検出において,従来の最先端技術よりも優れていた。
論文 参考訳(メタデータ) (2023-11-24T13:56:06Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳(メタデータ) (2023-08-29T13:38:35Z) - Exploring Global and Local Information for Anomaly Detection with Normal
Samples [23.68962459770419]
異常検出は、通常のパターンに従わないデータを検出することを目的としており、そのようなデータはoutliersとも呼ばれる。
多くの現実的なシナリオでは、正常な振る舞いに従うサンプルのみが観察されるが、異常な情報はほとんど得られない。
本稿では, 異常検出手法であるGALDetectorを提案する。
論文 参考訳(メタデータ) (2023-06-03T06:51:22Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with
Anomaly-Aware Bidirectional GANs [15.399369134281775]
異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。
本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。
本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
論文 参考訳(メタデータ) (2022-04-28T08:12:49Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z)
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。