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
- Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。
これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。
提案手法はAPやAUCといった最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2024-03-02T10:42:47Z) - 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) - PAD: A Dataset and Benchmark for Pose-agnostic Anomaly Detection [28.973078719467516]
我々は,多目的異常検出データセットとPose-Agnostic Anomaly Detectionベンチマークを開発する。
具体的には、さまざまなポーズと、シミュレーションと実環境の両方で高品質で多様な3D異常を持つ20個の複合形状のレゴ玩具を用いて、MADを構築します。
また,ポーズに依存しない異常検出のために,MADを用いて訓練した新しいOmniposeADを提案する。
論文 参考訳(メタデータ) (2023-10-11T17:59:56Z) - Beyond the Benchmark: Detecting Diverse Anomalies in Videos [0.6993026261767287]
ビデオ異常検出(VAD)は、現代の監視システムにおいて重要な役割を担い、現実の状況における様々な異常を識別することを目的としている。
現在のベンチマークデータセットは、新しいオブジェクト検出のような単純な単一フレームの異常を主に強調している。
我々は,従来のベンチマーク境界を超える複雑な異常を包含するVAD調査の拡大を提唱する。
論文 参考訳(メタデータ) (2023-10-03T09:22:06Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [66.53828093487269]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳(メタデータ) (2023-04-06T17:36:23Z) - Focus or Not: A Baseline for Anomaly Event Detection On the Open Public
Places with Satellite Images [8.004533123056083]
公開地における異常事象を検出するための新しい衛星画像データセット(AED-RS)を提案する。
このデータセットでは、弱い教師付きでトレーニングできるデータセットTB-FLOWのベースラインモデルを導入する。
論文 参考訳(メタデータ) (2023-03-21T08:23:05Z) - 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) - NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection [19.726089445453734]
時系列異常検出は、多くの業界で一般的だが難しい課題である。
実世界から収集されたノイズデータから,時系列の異常を高精度に検出することは困難である。
我々は異常検出モデルを提案する:時系列から画像VAE (T2IVAE)
論文 参考訳(メタデータ) (2021-01-08T08:35:15Z) - Building an Automated and Self-Aware Anomaly Detection System [0.0]
異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。
伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。
本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
論文 参考訳(メタデータ) (2020-11-10T11:19:07Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。