論文の概要: Focus or Not: A Baseline for Anomaly Event Detection On the Open Public
Places with Satellite Images
- arxiv url: http://arxiv.org/abs/2303.11668v1
- Date: Tue, 21 Mar 2023 08:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 16:02:19.674517
- Title: Focus or Not: A Baseline for Anomaly Event Detection On the Open Public
Places with Satellite Images
- Title(参考訳): 焦点の有無:衛星画像を用いた公開空間における異常事象検出のためのベースライン
- Authors: Yongjin Jeon, Youngtack Oh, Doyoung Jeong, Hyunguk Choi, Junsik Kim
- Abstract要約: 公開地における異常事象を検出するための新しい衛星画像データセット(AED-RS)を提案する。
このデータセットでは、弱い教師付きでトレーニングできるデータセットTB-FLOWのベースラインモデルを導入する。
- 参考スコア(独自算出の注目度): 8.004533123056083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, monitoring the world wide area with satellite images has
been emerged as an important issue.
Site monitoring task can be divided into two independent tasks; 1) Change
Detection and 2) Anomaly Event Detection.
Unlike to change detection research is actively conducted based on the
numerous datasets(\eg LEVIR-CD, WHU-CD, S2Looking, xView2 and etc...) to meet
up the expectations of industries or governments, research on AI models for
detecting anomaly events is passively and rarely conducted.
In this paper, we introduce a novel satellite imagery dataset(AED-RS) for
detecting anomaly events on the open public places.
AED-RS Dataset contains satellite images of normal and abnormal situations of
8 open public places from all over the world.
Each places are labeled with different criteria based on the difference of
characteristics of each places.
With this dataset, we introduce a baseline model for our dataset TB-FLOW,
which can be trained in weakly-supervised manner and shows reasonable
performance on the AED-RS Dataset compared with the other NF(Normalizing-Flow)
based anomaly detection models. Our dataset and code will be publicly open in
\url{https://github.com/SIAnalytics/RS_AnomalyDetection.git}.
- Abstract(参考訳): 近年,衛星画像による世界規模の監視が重要な課題となっている。
サイト監視タスクは2つの独立したタスクに分けられる。
1) 変更検出及び変更検出
2)異常事象検出。
変更検出研究とは違い、多数のデータセット(\eg LEVIR-CD、WHU-CD、S2Looking、xView2など)に基づいて活発に実施されている。
産業や政府の期待に応えるため、異常事象を検出するAIモデルの研究は受動的かつ稀に行われている。
本稿では,公開地における異常事象を検出するための新しい衛星画像データセット(AED-RS)を提案する。
AED-RSデータセットには、世界中の8つの公開場所の正常かつ異常な状況の衛星画像が含まれている。
各場所の特徴の違いに基づいて、それぞれの場所を異なる基準でラベル付けする。
このデータセットでは,データセットTB-FLOWのベースラインモデルを導入し,AED-RSデータセットに対して他のNF(Normalizing-Flow)ベースの異常検出モデルと比較して適切な性能を示す。
私たちのデータセットとコードは、 \url{https://github.com/SIAnalytics/RS_AnomalyDetection.git}で公開されます。
関連論文リスト
- SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale
SAR Object Detection [83.21028626585986]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳(メタデータ) (2024-03-11T09:20:40Z) - Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。
これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。
提案手法はAPやAUCといった最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2024-03-02T10:42:47Z) - Advancing Anomaly Detection: An Adaptation Model and a New Dataset [2.290956583394892]
本研究では,事前学習したモデルの新たな概念への適応を高速化するシナリオ適応型異常検出(SA2D)手法を提案する。
様々なカメラビューから捉えた14のシナリオを含むマルチシナリオ異常検出(Multi-Scenario Anomaly Detection, MAD)データセットについて紹介する。
以上の結果から,SA2Dは同一シナリオ内での新たな視点に優れるだけでなく,全く新しいシナリオに直面した場合の競争性能も向上することが示された。
論文 参考訳(メタデータ) (2024-02-07T13:54:56Z) - PAD: A Dataset and Benchmark for Pose-agnostic Anomaly Detection [28.973078719467516]
我々は,多目的異常検出データセットとPose-Agnostic Anomaly Detectionベンチマークを開発する。
具体的には、さまざまなポーズと、シミュレーションと実環境の両方で高品質で多様な3D異常を持つ20個の複合形状のレゴ玩具を用いて、MADを構築します。
また,ポーズに依存しない異常検出のために,MADを用いて訓練した新しいOmniposeADを提案する。
論文 参考訳(メタデータ) (2023-10-11T17:59:56Z) - That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering [28.296651124677556]
ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。
画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。
実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
論文 参考訳(メタデータ) (2023-07-06T18:17:43Z) - A New Comprehensive Benchmark for Semi-supervised Video Anomaly
Detection and Anticipation [46.687762316415096]
我々は,43のシーン,28の異常イベント,16時間の動画を含む新しい包括的データセットNWPU Campusを提案する。
このデータセットは、最大数のシーンとクラスの異常、最長持続時間、シーン依存の異常を考慮に入れた唯一の部分を持つ、最も大きな半教師付きVADデータセットである。
本稿では,異常事象を同時に検出・予測できる新しいモデルを提案する。
論文 参考訳(メタデータ) (2023-05-23T02:20:12Z) - CHAD: Charlotte Anomaly Dataset [2.6774008509840996]
ビデオ異常検出のためのシャーロット異常データセット(CHAD)を提案する。
CHADはバウンディングボックス、アイデンティティ、各アクターのアノテーションを含む最初の異常データセットである。
4つのカメラビューと115万フレーム以上を持つCHADは、完全注釈付き異常検出データセットとしては最大である。
論文 参考訳(メタデータ) (2022-12-19T06:05:34Z) - UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。
既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。
UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2021-11-16T17:28:46Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-27T18:39:24Z)
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。