論文の概要: SeMAnD: Self-Supervised Anomaly Detection in Multimodal Geospatial
Datasets
- arxiv url: http://arxiv.org/abs/2309.15245v1
- Date: Tue, 26 Sep 2023 20:18:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 17:48:36.699643
- Title: SeMAnD: Self-Supervised Anomaly Detection in Multimodal Geospatial
Datasets
- Title(参考訳): SeMAnD:マルチモーダル地理空間データセットにおける自己監視型異常検出
- Authors: Daria Reshetova and Swetava Ganguli and C. V. Krishnakumar Iyer and
Vipul Pandey
- Abstract要約: SeMAnDは現実世界の欠陥を検出し、ドメインに依存しない異常検出戦略を4.8-19.7%上回る。
モデル性能は,入力モダリティの増大に伴い20.4%,トレーニングデータの増大に伴い22.9%に向上した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a Self-supervised Anomaly Detection technique, called SeMAnD, to
detect geometric anomalies in Multimodal geospatial datasets. Geospatial data
comprises of acquired and derived heterogeneous data modalities that we
transform to semantically meaningful, image-like tensors to address the
challenges of representation, alignment, and fusion of multimodal data. SeMAnD
is comprised of (i) a simple data augmentation strategy, called
RandPolyAugment, capable of generating diverse augmentations of vector
geometries, and (ii) a self-supervised training objective with three components
that incentivize learning representations of multimodal data that are
discriminative to local changes in one modality which are not corroborated by
the other modalities. Detecting local defects is crucial for geospatial anomaly
detection where even small anomalies (e.g., shifted, incorrectly connected,
malformed, or missing polygonal vector geometries like roads, buildings,
landcover, etc.) are detrimental to the experience and safety of users of
geospatial applications like mapping, routing, search, and recommendation
systems. Our empirical study on test sets of different types of real-world
geometric geospatial anomalies across 3 diverse geographical regions
demonstrates that SeMAnD is able to detect real-world defects and outperforms
domain-agnostic anomaly detection strategies by 4.8-19.7% as measured using
anomaly classification AUC. We also show that model performance increases (i)
up to 20.4% as the number of input modalities increase and (ii) up to 22.9% as
the diversity and strength of training data augmentations increase.
- Abstract(参考訳): マルチモーダル地理空間データセットにおける幾何学的異常を検出するために,SeMAnDと呼ばれる自己教師付き異常検出手法を提案する。
地理空間データには、意味的に意味のある画像のようなテンソルに変換し、多モードデータの表現、アライメント、融合の課題に対処する異種データモダリティが取得され、導出される。
SeMAnD は
i)randpolyaugmentという,ベクトルジオメトリの多様な拡張を生成可能な単純なデータ拡張戦略
(二)一方のモダリティの局所的な変化を判別し、他方のモダリティに裏付けられない多様データの学習表現をインセンティブとする3つの要素からなる自己教師付き訓練目標
局所的な欠陥の検出は、小さな異常(例えば、道路、建物、土地被覆などのような多角形ベクトルジオメトリーの移動、不正接続、または欠落)でさえ、マッピング、ルーティング、検索、レコメンデーションシステムのような地理空間的アプリケーションのユーザの経験と安全性に有害である地理空間的異常の検出に不可欠である。
3つの地理的領域にわたる実世界の幾何学的地理空間異常の試験セットに関する実証的研究は、SeMAnDが実世界の欠陥を検出し、異常分類AUCを用いて測定したドメインに依存しない異常検出戦略を4.8-19.7%上回っていることを示す。
モデルのパフォーマンスも向上しています
(i)入力モダリティ数の増加に伴い、最大20.4%
(ii)訓練データ増強の多様性と強度が増すにつれて22.9%まで上昇する。
関連論文リスト
- UniMODE: Unified Monocular 3D Object Detection [76.77182583753051]
我々は,鳥眼視(BEV)検出パラダイムに基づく検出器を構築した。
本稿では,この課題に起因する収束不安定性に対応するために,不均一なBEVグリッド設計を提案する。
統一検出器UniMODEが導出され、挑戦的なOmni3Dデータセットの先行技術を上回る。
論文 参考訳(メタデータ) (2024-02-28T18:59:31Z) - 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) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - DeepAstroUDA: Semi-Supervised Universal Domain Adaptation for
Cross-Survey Galaxy Morphology Classification and Anomaly Detection [0.0]
本稿では,この課題を克服するためのアプローチとして,ユニバーサルドメイン適応手法であるtextitDeepAstroUDAを提案する。
textitDeepAstroUDAは、2つの天文学的な調査のギャップを埋め、両方のドメインの分類精度を高めることができる。
また,本手法は異常検出アルゴリズムや未知のクラスサンプルのクラスタ化にも有効である。
論文 参考訳(メタデータ) (2023-02-03T21:20:58Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - 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) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳(メタデータ) (2020-10-12T13:26:30Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
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。