論文の概要: Gaussian Image Anomaly Detection with Greedy Eigencomponent Selection
- arxiv url: http://arxiv.org/abs/2308.04944v1
- Date: Wed, 9 Aug 2023 13:19:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 13:32:47.815396
- Title: Gaussian Image Anomaly Detection with Greedy Eigencomponent Selection
- Title（参考訳）: グレディ固有成分選択によるガウス画像異常検出
- Authors: Tetiana Gula, Jo\~ao P C Bertoldo
- Abstract要約: 画像中の異常検出(AD)は、正常性から重要な逸脱を識別するものであり、コンピュータビジョンにおいて重要な問題である。
本稿では,EfficientNet モデルを組み込んだ事前学習型畳み込みニューラルネットワーク (CNN) を用いた AD の次元削減手法を提案する。
提案手法は主成分分析 (PCA) と負成分分析 (NPCA) のいずれよりも検出精度が高いことを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection (AD) in images, identifying significant deviations from
normality, is a critical issue in computer vision. This paper introduces a
novel approach to dimensionality reduction for AD using pre-trained
convolutional neural network (CNN) that incorporate EfficientNet models. We
investigate the importance of component selection and propose two types of tree
search approaches, both employing a greedy strategy, for optimal eigencomponent
selection. Our study conducts three main experiments to evaluate the
effectiveness of our approach. The first experiment explores the influence of
test set performance on component choice, the second experiment examines the
performance when we train on one anomaly type and evaluate on all other types,
and the third experiment investigates the impact of using a minimum number of
images for training and selecting them based on anomaly types. Our approach
aims to find the optimal subset of components that deliver the highest
performance score, instead of focusing solely on the proportion of variance
explained by each component and also understand the components behaviour in
different settings. Our results indicate that the proposed method surpasses
both Principal Component Analysis (PCA) and Negated Principal Component
Analysis (NPCA) in terms of detection accuracy, even when using fewer
components. Thus, our approach provides a promising alternative to conventional
dimensionality reduction techniques in AD, and holds potential to enhance the
efficiency and effectiveness of AD systems.
- Abstract（参考訳）: 画像中の異常検出(AD)は、正常性から重要な逸脱を識別するものであり、コンピュータビジョンにおいて重要な問題である。
本稿では,EfficientNet モデルを組み込んだ事前学習型畳み込みニューラルネットワーク (CNN) を用いた AD の次元削減手法を提案する。
本稿では, 成分選択の重要性を考察し, 最適固有成分選択のための2種類の木探索手法を提案する。
本研究は,本手法の有効性を評価するために3つの主要な実験を行った。
第1の実験は、テストセットのパフォーマンスがコンポーネント選択に与える影響、第2の実験は、ある異常タイプをトレーニングし、他のすべてのタイプを評価した際のパフォーマンス、第3の実験は、最小数の画像を用いたトレーニングと、異常タイプに基づく選択の影響を調べる。
我々のアプローチは、各コンポーネントによって説明される分散の割合のみに焦点をあてるのではなく、最高のパフォーマンススコアを提供するコンポーネントの最適なサブセットを見つけることを目的としています。
提案手法は, 主成分分析 (PCA) と負成分分析 (NPCA) の両方を, 少ない成分を用いても検出精度において上回っていることを示す。
そこで本手法は,ADにおける従来の次元削減技術に代わる有望な代替手段であり,ADシステムの効率性と有効性を高める可能性を秘めている。
関連論文リスト
- Exploring End-to-end Differentiable Neural Charged Particle Tracking -- A Loss Landscape Perspective [0.0]
粒子追跡のためのE2E差分型決定型学習手法を提案する。
離散的な代入操作の微分可能なバリエーションは、効率的なネットワーク最適化を可能にすることを示す。
E2Eの微分性は、勾配情報の一般利用に加えて、予測不安定性を緩和するロバスト粒子追跡のための重要なツールである、と我々は主張する。
論文 参考訳（メタデータ） (2024-07-18T11:42:58Z) - Dual-stage optimizer for systematic overestimation adjustment applied to
multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。
提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
論文 参考訳（メタデータ） (2023-12-27T16:13:14Z) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳（メタデータ） (2023-06-01T12:53:10Z) - Efficient Human-in-the-loop System for Guiding DNNs Attention [25.501443892795614]
本稿では,ユーザが指定した領域に対して,分類器の注意を対話的に誘導する,効率的なHuman-in-the-loopシステムを提案する。
注意誘導のための従来のアプローチでは、ピクセルレベルのアノテーションの準備が必要であり、インタラクティブシステムとして設計されていない。
論文 参考訳（メタデータ） (2022-06-13T09:04:32Z) - R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。
効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。
このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
論文 参考訳（メタデータ） (2022-04-02T07:54:58Z) - Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。
このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。
A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文 参考訳（メタデータ） (2021-10-26T17:39:18Z) - Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。
推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。
本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
論文 参考訳（メタデータ） (2021-07-28T16:29:38Z) - Systematic Assessment of Hyperdimensional Computing for Epileptic
Seizure Detection [4.249341912358848]
この研究は、てんかん発作の検出のためのHDコンピューティングフレームワークの体系的な評価を行うことである。
先程実装した2つの特徴と, てんかん発作検出におけるHDコンピューティングの新しいアプローチを検証した。
論文 参考訳（メタデータ） (2021-05-03T15:11:08Z) - Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental
Design Approach [27.975266406080152]
本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。
平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。
我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
論文 参考訳（メタデータ） (2021-02-11T11:38:15Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。