論文の概要: Advancing Anomaly Detection: An Adaptation Model and a New Dataset
- arxiv url: http://arxiv.org/abs/2402.04857v1
- Date: Wed, 7 Feb 2024 13:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 15:16:17.981044
- Title: Advancing Anomaly Detection: An Adaptation Model and a New Dataset
- Title（参考訳）: 異常検出の進歩:適応モデルと新しいデータセット
- Authors: Liyun Zhu and Arjun Raj and Lei Wang
- Abstract要約: 本研究では,事前学習したモデルの新たな概念への適応を高速化するシナリオ適応型異常検出(SA2D)手法を提案する。
様々なカメラビューから捉えた14のシナリオを含むマルチシナリオ異常検出(Multi-Scenario Anomaly Detection, MAD)データセットについて紹介する。
以上の結果から,SA2Dは同一シナリオ内での新たな視点に優れるだけでなく,全く新しいシナリオに直面した場合の競争性能も向上することが示された。
- 参考スコア（独自算出の注目度）: 2.290956583394892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industry surveillance is widely applicable in sectors like retail,
manufacturing, education, and smart cities, each presenting unique anomalies
requiring specialized detection. However, adapting anomaly detection models to
novel viewpoints within the same scenario poses challenges. Extending these
models to entirely new scenarios necessitates retraining or fine-tuning, a
process that can be time consuming. To address these challenges, we propose the
Scenario-Adaptive Anomaly Detection (SA2D) method, leveraging the few-shot
learning framework for faster adaptation of pre-trained models to new concepts.
Despite this approach, a significant challenge emerges from the absence of a
comprehensive dataset with diverse scenarios and camera views. In response, we
introduce the Multi-Scenario Anomaly Detection (MSAD) dataset, encompassing 14
distinct scenarios captured from various camera views. This real-world dataset
is the first high-resolution anomaly detection dataset, offering a solid
foundation for training superior models. MSAD includes diverse normal motion
patterns, incorporating challenging variations like different lighting and
weather conditions. Through experimentation, we validate the efficacy of SA2D,
particularly when trained on the MSAD dataset. Our results show that SA2D not
only excels under novel viewpoints within the same scenario but also
demonstrates competitive performance when faced with entirely new scenarios.
This highlights our method's potential in addressing challenges in detecting
anomalies across diverse and evolving surveillance scenarios.
- Abstract（参考訳）: 産業の監視は小売業、製造業、教育、スマートシティといった分野で広く適用されており、それぞれに特別な検出を必要とする独特の異常がある。
しかし、同じシナリオにおける新しい視点への異常検出モデルの適用が課題となる。
これらのモデルをまったく新しいシナリオに拡張するには、再トレーニングや微調整が必要になる。
これらの課題に対処するために,我々は,事前学習されたモデルの新たな概念への迅速な適応のために,マイナショット学習フレームワークを活用したシナリオ適応異常検出(sa2d)手法を提案する。
このアプローチにも関わらず、さまざまなシナリオとカメラビューを備えた包括的なデータセットが存在しないことで、大きな課題が生まれます。
その結果,様々なカメラビューから捉えた14のシナリオを含むマルチシナリオ異常検出(Multi-Scenario Anomaly Detection, MAD)データセットが導入された。
この現実世界のデータセットは、最初の高解像度の異常検出データセットであり、優れたモデルをトレーニングするための確かな基盤を提供する。
MSADには様々な通常の動きパターンが含まれており、様々な照明や気象条件のような困難なバリエーションが組み込まれている。
実験により,SA2Dの有効性を検証し,特にMSADデータセットを用いてトレーニングを行った。
以上の結果から,SA2Dは同一シナリオ内での新たな視点に優れるだけでなく,全く新しいシナリオに直面した場合の競争性能も向上することが示された。
このことは,多様かつ進化する監視シナリオにおける異常検出の課題に対処する上で,我々の手法が持つ可能性を強調している。
関連論文リスト
- A Dataset for Evaluating Online Anomaly Detection Approaches for Discrete Multivariate Time Series [0.01874930567916036]
現在の公開データセットは小さすぎるため、多様ではない。
我々は、最先端のシミュレーションツールによって生成される多種多様な、広範囲で、非自明なデータセットという解決策を提案する。
トレーニングとテストサブセットが汚染された、クリーンなバージョンで提供されるように、データセットのさまざまなバージョンを利用可能にしています。
予想通り、ベースライン実験では、データセットの半教師付きバージョンでトレーニングされたアプローチが、教師なしバージョンよりも優れていた。
論文 参考訳（メタデータ） (2024-11-21T09:03:12Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - CableInspect-AD: An Expert-Annotated Anomaly Detection Dataset [14.246172794156987]
$textitCableInspect-AD$は、カナダの公共ユーティリティであるHydro-Qu'ebecのドメインエキスパートによって作成、注釈付けされた高品質なデータセットである。
このデータセットには、現実世界の異常に挑戦する高解像度の画像が含まれており、さまざまな重度レベルの欠陥をカバーしている。
モデルの性能を評価するために,クロスバリデーションに基づく包括的評価プロトコルを提案する。
論文 参考訳（メタデータ） (2024-09-30T14:50:13Z) - Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions [0.017476232824732776]
時系列異常検出は、エンジニアリングプロセスにおいて重要な役割を果たす。
この調査では、オンラインとオフラインの区別とトレーニングと推論を行う新しい分類法を紹介した。
文献で使用される最も一般的なデータセットと評価指標、および詳細な分析を示す。
論文 参考訳（メタデータ） (2024-08-07T13:01:10Z) - VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。
我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。
我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
論文 参考訳（メタデータ） (2024-06-14T17:59:01Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Video Anomaly Detection in 10 Years: A Survey and Outlook [10.143205531474907]
ビデオ異常検出(VAD)は、監視、医療、環境監視といった様々な領域において非常に重要である。
この調査では、従来の教師付きトレーニングパラダイムを超えて、弱教師付き、自己監督型、教師なしのアプローチを包含する、ディープラーニングベースのVADを調査している。
論文 参考訳（メタデータ） (2024-05-29T17:56:31Z) - Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。
視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。
人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
論文 参考訳（メタデータ） (2023-03-16T00:06:28Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳（メタデータ） (2021-05-27T23:34:06Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。