論文の概要: Conditioning Latent-Space Clusters for Real-World Anomaly Classification
- arxiv url: http://arxiv.org/abs/2309.09676v1
- Date: Mon, 18 Sep 2023 11:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 13:49:55.606724
- Title: Conditioning Latent-Space Clusters for Real-World Anomaly Classification
- Title（参考訳）: 実世界の異常分類のための条件付き潜在空間クラスター
- Authors: Daniel Bogdoll, Svetlana Pavlitska, Simon Klaus, J. Marius Z\"ollner
- Abstract要約: 我々は、様々なタイプの異常や大きさを含む都市シーンからの高解像度カメラデータに焦点を当てる。
変分オートエンコーダに基づいて、サンプルを正規データまたは異常として分類するために、その潜時空間を条件とする。
- 参考スコア（独自算出の注目度）: 11.633929083694388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomalies in the domain of autonomous driving are a major hindrance to the
large-scale deployment of autonomous vehicles. In this work, we focus on
high-resolution camera data from urban scenes that include anomalies of various
types and sizes. Based on a Variational Autoencoder, we condition its latent
space to classify samples as either normal data or anomalies. In order to
emphasize especially small anomalies, we perform experiments where we provide
the VAE with a discrepancy map as an additional input, evaluating its impact on
the detection performance. Our method separates normal data and anomalies into
isolated clusters while still reconstructing high-quality images, leading to
meaningful latent representations.
- Abstract（参考訳）: 自動運転の領域における異常は、自動運転車の大規模展開の大きな障害である。
本研究では,様々な種類や大きさの異常を含む都市シーンの高解像度カメラデータに着目した。
変分オートエンコーダに基づいて、サンプルを正規データまたは異常として分類する潜在空間を条件とする。
特に小さな異常を強調するために,vaeに余分な入力として不一致マップを提供し,検出性能への影響を評価する実験を行った。
本手法では,正常なデータと異常を分離したクラスタに分割し,高品質な画像の再構成を行う。
関連論文リスト
- GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - 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) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - 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) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - ARES: Locally Adaptive Reconstruction-based Anomaly Scoring [25.707159917988733]
本研究では, 異常スコアリング関数が, 正常サンプルの範囲にわたる復元誤差の自然な変動に適応しないことを示す。
本稿では,適応的再構成誤りに基づくスコーリング手法を提案する。
論文 参考訳（メタデータ） (2022-06-15T15:35:12Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳（メタデータ） (2021-09-10T06:14:53Z) - Sub-clusters of Normal Data for Anomaly Detection [0.15229257192293197]
データ分析における異常検出は、現実のアプリケーションでは興味深いが、それでも難しい研究トピックである。
既存の異常検出手法は、ImageNetのような高次元データによる限られた性能を示す。
本稿では,高次元および複雑な正規データを用いた異常検出について検討する。
論文 参考訳（メタデータ） (2020-11-17T03:53:31Z)
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。