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

• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、ノイズや冗長な情報が異常情報抽出に与える影響を弱めるために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  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)
• 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。