論文の概要: Unsupervised Anomaly Detection with Local-Sensitive VQVAE and Global-Sensitive Transformers

• arxiv url: http://arxiv.org/abs/2303.17505v1
• Date: Wed, 29 Mar 2023 09:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 12:52:41.049256
• Title: Unsupervised Anomaly Detection with Local-Sensitive VQVAE and Global-Sensitive Transformers
• Title（参考訳）: 局所感度VQVAEとグローバル感度変換器を用いた教師なし異常検出
• Authors: Mingqing Wang and Jiawei Li and Zhenyang Li and Chengxiao Luo and Bin Chen and Shu-Tao Xia and Zhi Wang
• Abstract要約: 非教師なし異常検出(UAD)は、産業用および医療用に広く実装されている。 変種を持つディープオートエンコーダは多くのUADシナリオでその利点を実証している。 本稿では,Vector Quantized-Variational Autoencoder(VQVAE)をベースとしたLSGSを提案する。
• 参考スコア（独自算出の注目度）: 45.34555409340503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection (UAD) has been widely implemented in industrial and medical applications, which reduces the cost of manual annotation and improves efficiency in disease diagnosis. Recently, deep auto-encoder with its variants has demonstrated its advantages in many UAD scenarios. Training on the normal data, these models are expected to locate anomalies by producing higher reconstruction error for the abnormal areas than the normal ones. However, this assumption does not always hold because of the uncontrollable generalization capability. To solve this problem, we present LSGS, a method that builds on Vector Quantised-Variational Autoencoder (VQVAE) with a novel aggregated codebook and transformers with global attention. In this work, the VQVAE focus on feature extraction and reconstruction of images, and the transformers fit the manifold and locate anomalies in the latent space. Then, leveraging the generated encoding sequences that conform to a normal distribution, we can reconstruct a more accurate image for locating the anomalies. Experiments on various datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 非教師なし異常検出(UAD)は、手動アノテーションのコストを低減し、疾患診断の効率を向上する産業や医療の分野で広く実装されている。 近年,多くの UAD シナリオにおいて,その利点が証明されている。 これらのモデルでは, 正常なデータに基づいて, 異常領域の復元誤差を通常のモデルより高め, 異常箇所の特定が期待できる。 しかし、この仮定は常に制御不能な一般化能力のために成り立つとは限らない。 そこで本研究では,ベクトル量子化可変オートエンコーダ(VQVAE)をベースとした,新たなアグリゲートコードブックと,グローバルな注目を集めたトランスフォーマーを提案する。 この研究において、VQVAEは画像の特徴抽出と再構成に重点を置いており、変換器は多様体に適合し、潜在空間内の異常を見つける。 そして, 正規分布に適合する生成エンコーディングシーケンスを利用することで, 異常の特定のためのより正確な画像の再構成を行うことができる。 各種データセットの実験により,提案手法の有効性が示された。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Revisiting VAE for Unsupervised Time Series Anomaly Detection: A Frequency Perspective [40.21603048003118]
  変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。 FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する 提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-02-05T09:06:57Z)
• Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent Light Source [3.7390282036618916]
  本稿では,Resilient Variational Autoencoder (ResVAE)について紹介する。 ResVAEはトレーニングデータに存在する異常に対するレジリエンスを示し、特徴レベルの異常属性を提供する。 本稿では,SLAC Linac Coherent Light Sourceにおける加速器状態の異常を検出するために提案手法を適用した。
  論文  参考訳（メタデータ） (2023-09-05T15:53:41Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection [4.772323272202286]
  正常な特徴と異常な特徴の両方を学習するための2ストリームデコーダネットワーク(TSDN)を提案する。 また、異常な特徴を排除し、異常領域の高品質な再構成を防止するための特徴正規度推定器(FNE)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:46:09Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)

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。