論文の概要: Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors
- arxiv url: http://arxiv.org/abs/2305.05495v1
- Date: Tue, 9 May 2023 14:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 12:30:20.938125
- Title: Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors
- Title（参考訳）: ローグ土壌水分センサの自己監督異常検出
- Authors: Boje Deforce, Bart Baesens, Jan Diels, Estefan\'ia Serral Asensio
- Abstract要約: センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。
既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。
コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
- 参考スコア（独自算出の注目度）: 2.374304682010306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: IoT data is a central element in the successful digital transformation of
agriculture. However, IoT data comes with its own set of challenges. E.g., the
risk of data contamination due to rogue sensors. A sensor is considered rogue
when it provides incorrect measurements over time. To ensure correct analytical
results, an essential preprocessing step when working with IoT data is the
detection of such rogue sensors. Existing methods assume that well-behaving
sensors are known or that a large majority of the sensors is well-behaving.
However, real-world data is often completely unlabeled and voluminous, calling
for self-supervised methods that can detect rogue sensors without prior
information. We present a self-supervised anomalous sensor detector based on a
neural network with a contrastive loss, followed by DBSCAN. A core contribution
of our paper is the use of Dynamic Time Warping in the negative sampling for
the triplet loss. This novelty makes the use of triplet networks feasible for
anomalous sensor detection. Our method shows promising results on a challenging
dataset of soil moisture sensors deployed in multiple pear orchards.
- Abstract（参考訳）: IoTデータは、農業のデジタルトランスフォーメーションの成功の重要な要素である。
しかし、IoTデータには独自の課題が伴う。
例えば、不正なセンサーによるデータ汚染のリスク。
センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。
正確な分析結果を保証するため、IoTデータを扱う際に必須となる前処理ステップは、そのようなローグセンサーの検出である。
既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。
しかし、実世界のデータは、しばしば完全にラベル付けされ、輝かしいものであり、事前情報なしでローグセンサーを検出できる自己教師型の方法を求めている。
コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
本論文の中核となる貢献は,3重項損失の負サンプリングにおける動的時間ワープの利用である。
この斬新さは、異常なセンサ検出にトリプルトネットワークを利用可能にする。
本手法は,複数のナシ果樹園に設置した土壌水分センサのデータセットに有望な結果を示す。
関連論文リスト
- Adaptive Domain Learning for Cross-domain Image Denoising [57.4030317607274]
本稿では,クロスドメイン画像認識のための適応型ドメイン学習手法を提案する。
私たちは、異なるセンサー(ソースドメイン)からの既存のデータに加えて、新しいセンサー(ターゲットドメイン)からの少量のデータを使用します。
ADLトレーニングスキームは、ターゲットドメインのモデルを微調整するのに有害なソースドメイン内のデータを自動的に削除する。
また,センサ固有の情報(センサタイプとISO)を取り入れ,画像認識のための入力データを理解するための変調モジュールも導入した。
論文 参考訳（メタデータ） (2024-11-03T08:08:26Z) - Sensor Deprivation Attacks for Stealthy UAV Manipulation [51.9034385791934]
無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。
本稿では,マルチパートを提案する。
センサー分離攻撃 (Sensor Deprivation Attacks, SDA) - 極秘に影響を及ぼす攻撃。
センサーのリコンフィグレーションによる プロセス制御
論文 参考訳（メタデータ） (2024-10-14T23:03:58Z) - Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。
これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。
アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
論文 参考訳（メタデータ） (2024-07-22T09:58:29Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - Anomaly Detection and Inter-Sensor Transfer Learning on Smart
Manufacturing Datasets [6.114996271792091]
スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。
これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。
スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。
予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
論文 参考訳（メタデータ） (2022-06-13T17:51:24Z) - Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。
実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
論文 参考訳（メタデータ） (2022-04-07T10:45:32Z) - Radar Voxel Fusion for 3D Object Detection [0.0]
本稿では,3次元物体検出のための低レベルセンサ融合ネットワークを開発する。
レーダーセンサーの融合は、雨や夜景のような裂け目状態において特に有益である。
論文 参考訳（メタデータ） (2021-06-26T20:34:12Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳（メタデータ） (2021-02-11T02:37:27Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z) - RelSen: An Optimization-based Framework for Simultaneously Sensor
Reliability Monitoring and Data Cleaning [7.359795285967954]
ほとんどのセンサアプリケーションでは、センサーはエラーを起こしやすいことが知られており、その測定は予想外のタイミングで誤解を招く可能性がある。
既存の研究では、センサーの信頼性の監視とセンサデータのクリーニングを別の問題と見なすことが多い。
本稿では,これら2つの問題に相互依存を利用して同時に対処する,新しい最適化ベースのフレームワークであるRelSenを提案する。
論文 参考訳（メタデータ） (2020-04-19T03:52:25Z)
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。