論文の概要: PseudoBound: Limiting the anomaly reconstruction capability of one-class
classifiers using pseudo anomalies
- arxiv url: http://arxiv.org/abs/2303.10704v1
- Date: Sun, 19 Mar 2023 16:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 17:47:09.479535
- Title: PseudoBound: Limiting the anomaly reconstruction capability of one-class
classifiers using pseudo anomalies
- Title（参考訳）: PseudoBound:擬似異常を用いた一級分類器の異常再構築能力の制限
- Authors: Marcella Astrid, Muhammad Zaigham Zaheer, Seung-Ik Lee
- Abstract要約: オートエンコーダ(AE)は、正常な訓練データのみを再構成するために訓練され、テスト時間内に異常なデータを貧弱に再構築する。
本稿では,AEのトレーニング中に擬似異常を組み込むことにより,AEの異常再構築能力を制限することを提案する。
3つのベンチマークビデオ異常データセット上で,既存のSOTA手法に対する擬似異常に基づくトレーニング手法の有効性を実証した。
- 参考スコア（独自算出の注目度）: 13.14903445595385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Due to the rarity of anomalous events, video anomaly detection is typically
approached as one-class classification (OCC) problem. Typically in OCC, an
autoencoder (AE) is trained to reconstruct the normal only training data with
the expectation that, in test time, it can poorly reconstruct the anomalous
data. However, previous studies have shown that, even trained with only normal
data, AEs can often reconstruct anomalous data as well, resulting in a
decreased performance. To mitigate this problem, we propose to limit the
anomaly reconstruction capability of AEs by incorporating pseudo anomalies
during the training of an AE. Extensive experiments using five types of pseudo
anomalies show the robustness of our training mechanism towards any kind of
pseudo anomaly. Moreover, we demonstrate the effectiveness of our proposed
pseudo anomaly based training approach against several existing state-ofthe-art
(SOTA) methods on three benchmark video anomaly datasets, outperforming all the
other reconstruction-based approaches in two datasets and showing the second
best performance in the other dataset.
- Abstract（参考訳）: 異常事象の頻度が高いため、ビデオ異常検出は通常、一級分類(OCC)問題としてアプローチされる。
通常、OCCでは、オートエンコーダ(AE)が通常のトレーニングデータのみを再構成するために訓練され、テスト時間内には異常データの再構成が不十分である。
しかし、以前の研究では、通常のデータのみを用いて訓練しても、AEsはしばしば異常なデータを再構築することができ、結果として性能が低下することを示した。
この問題を軽減するために,AEのトレーニング中に擬似異常を組み込むことにより,AEの異常再構築能力を制限することを提案する。
5種類の擬似異常を用いた広範囲な実験は,任意の擬似異常に対する訓練機構の堅牢性を示している。
さらに,提案手法を3つのベンチマークビデオ異常データセットに対して提案した擬似異常に基づくトレーニング手法の有効性を実証し,他の再構成に基づくアプローチを2つのデータセットで上回り,他のデータセットで2番目に優れたパフォーマンスを示す。
関連論文リスト
- Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies [17.342474659784823]
異常検出の典型的なアプローチは、通常のデータのパターンや表現を学習するためにのみ、通常のデータでオートエンコーダ(AE)を訓練することである。
本稿では,AEの弱点,すなわち異常の再構築をうまく活用して,学習適応雑音から擬似異常を生成することを提案する。
論文 参考訳（メタデータ） (2024-05-09T16:22:24Z) - 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) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - 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) - Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A
Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。
擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。
また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文 参考訳（メタデータ） (2023-03-09T08:33:38Z) - 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) - Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection [16.436293069942312]
オートエンコーダ(AE)は、しばしば異常検出性能を低下させる異常の再構築を開始する。
本研究では,正規データのみを用いて擬似異常を発生させる時間的擬似異常シンセサイザーを提案する。
AEは、通常のデータでこの損失を最小化しつつ、擬似異常の復元損失を最大化するように訓練される。
論文 参考訳（メタデータ） (2021-10-19T07:08:44Z) - Learning Not to Reconstruct Anomalies [14.632592282260363]
オートエンコーダ(AE)は、通常のデータのみからなるトレーニングセットで入力を再構築するために訓練される。
AEは、異常なデータを十分に再構築しつつ、正常なデータを適切に再構築することが期待されている。
本稿では,入力によらず,通常のデータのみを再構築する目的で,AEを訓練するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-19T05:22:38Z) - 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。