論文の概要: Unbiased Multiple Instance Learning for Weakly Supervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2303.12369v1
• Date: Wed, 22 Mar 2023 08:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 14:52:26.099743
• Title: Unbiased Multiple Instance Learning for Weakly Supervised Video Anomaly Detection
• Title（参考訳）: 弱教師付きビデオ異常検出のための非バイアス多重学習
• Authors: Hui Lv, Zhongqi Yue, Qianru Sun, Bin Luo, Zhen Cui, Hanwang Zhang
• Abstract要約: 弱監視ビデオ異常検出(WSVAD)における多重インスタンス学習(MIL)の優位性 We propose a new MIL framework: Unbiased MIL (UMIL) to learn unbiased anomaly features that improve WSVAD。
• 参考スコア（独自算出の注目度）: 74.80595632328094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly Supervised Video Anomaly Detection (WSVAD) is challenging because the binary anomaly label is only given on the video level, but the output requires snippet-level predictions. So, Multiple Instance Learning (MIL) is prevailing in WSVAD. However, MIL is notoriously known to suffer from many false alarms because the snippet-level detector is easily biased towards the abnormal snippets with simple context, confused by the normality with the same bias, and missing the anomaly with a different pattern. To this end, we propose a new MIL framework: Unbiased MIL (UMIL), to learn unbiased anomaly features that improve WSVAD. At each MIL training iteration, we use the current detector to divide the samples into two groups with different context biases: the most confident abnormal/normal snippets and the rest ambiguous ones. Then, by seeking the invariant features across the two sample groups, we can remove the variant context biases. Extensive experiments on benchmarks UCF-Crime and TAD demonstrate the effectiveness of our UMIL. Our code is provided at https://github.com/ktr-hubrt/UMIL.
• Abstract（参考訳）: バイナリ異常ラベルはビデオレベルでのみ付与されるが、出力にはスニペットレベルの予測が必要であるため、弱い監視ビデオ異常検出(WSVAD)は難しい。 したがって、WSVADではMIL(Multiple Instance Learning)が普及しています。 しかし、MILは多くの誤報に悩まされているのは、スニペットレベルの検出器が単純な文脈で容易に異常なスニペットに偏り、同じバイアスで正常さに混乱し、異なるパターンで異常を欠いているためである。 この目的のために、我々はwsvadを改善するバイアスのない異常機能を学ぶための新しいmilフレームワーク、unbiased mil(umil)を提案します。 それぞれのミルトレーニングイテレーションでは、現在の検出器を使用して、サンプルを異なるコンテキストバイアスを持つ2つのグループに分割します。 そして、2つのサンプル群にまたがる不変な特徴を求めることで、不変コンテキストバイアスを取り除くことができる。 UCF-Crime と TAD のベンチマーク実験により,UMIL の有効性が示された。 私たちのコードはhttps://github.com/ktr-hubrt/UMILで提供されます。

関連論文リスト

• 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$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Compact and De-biased Negative Instance Embedding for Multi-Instance Learning on Whole-Slide Image Classification [3.2721526745176144]
  半超音波信号を導入し、スライディング間の変動を抑えるとともに、通常のパッチの変動の共通要因を捉える。 本手法は,カメリオン16およびTGA肺がんを含む2つのWSIデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2024-02-16T11:28:50Z)
• SC-MIL: Sparsely Coded Multiple Instance Learning for Whole Slide Image Classification [2.3364474984323103]
  多重インスタンス学習(MIL)は、弱い教師付き全スライド画像(WSI)分類に広く用いられている。 本稿では,スパース辞書学習を活用することで,2つの側面を同時に扱うスパース符号化MIL(SC-MIL)手法を提案する。 提案したSCモジュールは、既存のMILフレームワークにプラグイン・アンド・プレイ方式で組み込むことができ、計算コストは許容できる。
  論文  参考訳（メタデータ） (2023-10-31T18:01:41Z)
• Reproducibility in Multiple Instance Learning: A Case For Algorithmic Unit Tests [59.623267208433255]
  多重インスタンス学習(MIL)は、正と負のラベルと入力の「バグ」を持つ分類問題のサブドメインである。 本研究では,最も顕著な深層MILモデルの5つについて検討し,いずれも標準MILの仮定を尊重していないことを明らかにする。 提案した"アルゴリズムユニットテスト"によってこの問題を特定し,実証する。そこでは,MILを尊重するモデルによって解決可能な,合成データセットを作成する。
  論文  参考訳（メタデータ） (2023-10-27T03:05:11Z)
• Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection [74.9262846410559]
  textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM) textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Towards Open Set Video Anomaly Detection [11.944167192592905]
  Open Set Video Anomaly Detection (OpenVAD) は、既知の異常と新しい異常の両方が存在するビデオデータから異常事象を識別することを目的としている。 本研究では, 深層学習 (EDL) と正規化フロー (NFs) をマルチインスタンス学習 (MIL) フレームワークに統合することにより, オープンVAD 問題に対する弱教師付き手法を開発した。
  論文  参考訳（メタデータ） (2022-08-23T17:53:34Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• CIL: Contrastive Instance Learning Framework for Distantly Supervised Relation Extraction [52.94486705393062]
  我々は、典型的なマルチインスタンス学習(MIL)フレームワークを超えて、新しいコントラッシブ・インスタンス学習(CIL)フレームワークを提案する。 具体的には、初期MILをリレーショナルトリプルエンコーダと各インスタンスに対する負のペアに対する制約正のペアとみなす。 提案手法の有効性を実験的に検証し, 提案手法をNYT10, GDS, KBPで比較検討した。
  論文  参考訳（メタデータ） (2021-06-21T04:51:59Z)
• Weakly-supervised Video Anomaly Detection with Contrastive Learning of Long and Short-range Temporal Features [26.474395581531194]
  MTN-KMIL(Top-K Contrastive Multiple Instance Learning)を用いたマルチスケールテンポラルネットワークを提案する。 提案手法は,3つのベンチマークデータセットに対して,最先端の手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-01-25T12:04:00Z)
• Dual-stream Multiple Instance Learning Network for Whole Slide Image Classification with Self-supervised Contrastive Learning [16.84711797934138]
  スライド画像全体分類(WSI)の課題に対処する。 WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。 局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T20:51:15Z)

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。