論文の概要: A Unified Remote Sensing Anomaly Detector Across Modalities and Scenes
via Deviation Relationship Learning
- arxiv url: http://arxiv.org/abs/2310.07511v1
- Date: Wed, 11 Oct 2023 14:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 22:32:35.733868
- Title: A Unified Remote Sensing Anomaly Detector Across Modalities and Scenes
via Deviation Relationship Learning
- Title(参考訳): 偏差関係学習によるモーダリティとシーン間の統合型リモートセンシング異常検知器
- Authors: Jingtao Li, Xinyu Wang, Hengwei Zhao, Liangpei Zhang, Yanfei Zhong
- Abstract要約: 統一された異常検出器はコスト効率が高く、新しい地球観測源や異常タイプに対して柔軟であるべきである。
提案モデルは、高スペクトル、可視光、合成開口レーダ(SAR)、赤外線、低光の5つのモードで検証された。
- 参考スコア(独自算出の注目度): 23.006447036077823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing anomaly detector can find the objects deviating from the
background as potential targets. Given the diversity in earth anomaly types, a
unified anomaly detector across modalities and scenes should be cost-effective
and flexible to new earth observation sources and anomaly types. However, the
current anomaly detectors are limited to a single modality and single scene,
since they aim to learn the varying background distribution. Motivated by the
universal anomaly deviation pattern, in that anomalies exhibit deviations from
their local context, we exploit this characteristic to build a unified anomaly
detector. Firstly, we reformulate the anomaly detection task as an undirected
bilayer graph based on the deviation relationship, where the anomaly score is
modeled as the conditional probability, given the pattern of the background and
normal objects. The learning objective is then expressed as a conditional
probability ranking problem. Furthermore, we design an instantiation of the
reformulation in the data, architecture, and optimization aspects. Simulated
spectral and spatial anomalies drive the instantiated architecture. The model
is optimized directly for the conditional probability ranking. The proposed
model was validated in five modalities including the hyperspectral, visible
light, synthetic aperture radar (SAR), infrared and low light to show its
unified detection ability.
- Abstract(参考訳): リモートセンシング異常検知器は、背景から逸脱する物体を潜在的な標的として見つけることができる。
地球の異常タイプの多様性を考えると、モダリティとシーンにまたがる統一異常検出器はコスト効率が高く、新しい地球観測源や異常タイプに対して柔軟であるべきである。
しかし、現在の異常検知器は、異なる背景分布を学習することを目的としており、単一のモダリティと単一シーンに限られている。
普遍的異常偏差パターンに動機づけられ、異常が局所的文脈からの偏差を示す場合、この特徴を利用して統一異常検出器を構築する。
まず, 異常検出タスクを偏差関係に基づいて非方向の2層グラフとして再構成し, 背景および通常の物体のパターンを考慮し, 異常スコアを条件付き確率としてモデル化する。
そして、学習対象を条件付き確率ランキング問題として表現する。
さらに,データ,アーキテクチャ,最適化面での再構成のインスタンス化も設計する。
シミュレーションされたスペクトルおよび空間異常は、インスタンス化されたアーキテクチャを駆動する。
このモデルは条件付き確率ランキングに最適化される。
提案モデルは,ハイパースペクトル,可視光,合成開口レーダ(sar),赤外,低光の5つのモードで検証され,その統一検出能力を示した。
関連論文リスト
- PUAD: Frustratingly Simple Method for Robust Anomaly Detection [0.0]
対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。
本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。
本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2024-02-23T06:57:31Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - 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 [52.14916470104883]
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 Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T02:36:19Z) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳(メタデータ) (2022-12-05T14:29:16Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Self-Supervised Losses for One-Class Textual Anomaly Detection [6.649715954440713]
テキスト中の異常検出のための現在のディープラーニング手法は、調整が難しいインレーヤの監視信号に依存している。
我々は、自己監督目的を持つ不整合データ上の微調整変換器と、損失を異常スコアとして用いるという、より単純な方法について検討する。
全体として、自己超越アプローチは、様々な異常検出シナリオにおいて、他の方法よりも優れている。
論文 参考訳(メタデータ) (2022-04-12T10:42:47Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z)
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。