論文の概要: Exploring Diffusion Models for Unsupervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2304.05841v2
• Date: Sun, 2 Jul 2023 08:55:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-04 13:51:52.301523
• Title: Exploring Diffusion Models for Unsupervised Video Anomaly Detection
• Title（参考訳）: 教師なしビデオ異常検出のための拡散モデル探索
• Authors: Anil Osman Tur and Nicola Dall'Asen and Cigdem Beyan and Elisa Ricci
• Abstract要約: 本稿では,ビデオ異常検出(VAD)における拡散モデルの性能について検討する。 2つの大規模異常検出データセットで実施された実験は、最先端の生成モデルよりも提案手法の一貫性のある改善を実証している。 本研究は, 拡散モデルを用いて, 監視シナリオにおけるVOD検査の指針を示す最初の研究である。
• 参考スコア（独自算出の注目度）: 17.816344808780965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the performance of diffusion models for video anomaly detection (VAD) within the most challenging but also the most operational scenario in which the data annotations are not used. As being sparse, diverse, contextual, and often ambiguous, detecting abnormal events precisely is a very ambitious task. To this end, we rely only on the information-rich spatio-temporal data, and the reconstruction power of the diffusion models such that a high reconstruction error is utilized to decide the abnormality. Experiments performed on two large-scale video anomaly detection datasets demonstrate the consistent improvement of the proposed method over the state-of-the-art generative models while in some cases our method achieves better scores than the more complex models. This is the first study using a diffusion model and examining its parameters' influence to present guidance for VAD in surveillance scenarios.
• Abstract（参考訳）: 本稿では,ビデオ異常検出(VAD)における拡散モデルの性能について,データアノテーションを使用しない最も困難なシナリオについても検討する。 希薄で、多様で、文脈的であり、しばしば曖昧であるので、異常事象を正確に検出することは非常に野心的な作業である。 この目的のために,情報豊富な時空間データのみに依存し,高い再構成誤差を生かした拡散モデルの再構成能力を用いて異常を判定する。 2つの大規模ビデオ異常検出データセットを用いて行った実験は、提案手法の最先端生成モデルに対する一貫した改善を実証する一方、我々の手法はより複雑なモデルよりも優れたスコアを得る。 これは拡散モデルを用いた最初の研究であり、そのパラメーターが監視シナリオにおけるvadの指導に与えた影響を調べるものである。

関連論文リスト

• Multivariate Time Series Anomaly Detection using DiffGAN Model [6.62154383680049]
  DiffGANを提案する。これは拡散モデルのデノイザーに生成的対向ネットワークコンポーネントを付加する。 複数の最先端再構成モデルと比較して、DiffGANは異常検出において優れた性能を発揮することを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-01-03T01:20:38Z)
• Video Anomaly Detection with Motion and Appearance Guided Patch Diffusion Model [15.67669626517481]
  本稿では,ビデオ異常検出のためのパッチベース拡散モデルを提案する。 モデルにシームレスに統合された革新的な動きと外観条件を導入する。 提案手法の有効性を裏付ける4つの挑戦的ビデオ異常検出データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2024-12-12T07:42:50Z)
• Anomaly detection using Diffusion-based methods [15.049468347670421]
  本稿では,拡散モデルによる異常検出の有用性について検討する。 コンパクトデータセットと高解像度データセットの両方における偏差を識別する効果に重点を置いている。
  論文  参考訳（メタデータ） (2024-12-10T14:17:23Z)
• 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)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• 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)
• 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)
• Unsupervised Video Anomaly Detection with Diffusion Models Conditioned on Compact Motion Representations [17.816344808780965]
  教師なしビデオ異常検出(VAD)問題とは、ビデオ内の各フレームをラベルにアクセスすることなく正常または異常に分類することである。 提案手法は条件付き拡散モデルを用いて,事前学習したネットワークから入力データを抽出する。 提案手法は,データ駆動しきい値を用いて,異常事象の指標として高い再構成誤差を考慮している。
  論文  参考訳（メタデータ） (2023-07-04T07:36:48Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)

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。