論文の概要: Unveiling the Anomalies in an Ever-Changing World: A Benchmark for Pixel-Level Anomaly Detection in Continual Learning
- arxiv url: http://arxiv.org/abs/2403.15463v1
- Date: Tue, 19 Mar 2024 15:53:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 22:41:56.488939
- Title: Unveiling the Anomalies in an Ever-Changing World: A Benchmark for Pixel-Level Anomaly Detection in Continual Learning
- Title(参考訳): 絶え間ない世界における異常発見:連続学習における画素レベル異常検出のためのベンチマーク
- Authors: Nikola Bugarin, Jovana Bugaric, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto,
- Abstract要約: 連続学習環境における画素レベル異常検出の問題点について検討する。
新しいデータは時間とともに到着し、新しいデータや古いデータでうまく機能することがゴールだ。
アプローチを検証するために、ピクセルベースの異常のある実世界の画像データセットを使用する。
- 参考スコア(独自算出の注目度): 4.790817958353412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly Detection is a relevant problem in numerous real-world applications, especially when dealing with images. However, little attention has been paid to the issue of changes over time in the input data distribution, which may cause a significant decrease in performance. In this study, we investigate the problem of Pixel-Level Anomaly Detection in the Continual Learning setting, where new data arrives over time and the goal is to perform well on new and old data. We implement several state-of-the-art techniques to solve the Anomaly Detection problem in the classic setting and adapt them to work in the Continual Learning setting. To validate the approaches, we use a real-world dataset of images with pixel-based anomalies to provide a reliable benchmark and serve as a foundation for further advancements in the field. We provide a comprehensive analysis, discussing which Anomaly Detection methods and which families of approaches seem more suitable for the Continual Learning setting.
- Abstract(参考訳): 異常検出は多くの実世界のアプリケーション、特に画像を扱う場合、関連する問題である。
しかし、入力データ分布の時間的変化にはほとんど注意が払われておらず、性能が著しく低下する可能性がある。
本研究では,連続学習環境におけるPixel-Level Anomaly Detectionの問題点について検討する。
本研究では,古典的環境における異常検出問題の解決と,継続学習環境における動作に適応するために,いくつかの最先端技術を実装した。
アプローチを検証するために,画素ベースの異常のある実世界の画像データセットを用いて,信頼性の高いベンチマークを提供し,この分野のさらなる進歩の基盤として機能する。
我々は、どの異常検出方法と、どのファミリーのアプローチが継続的な学習環境に適しているかについて議論する包括的分析を行う。
関連論文リスト
- Domain Adaptive Multiple Instance Learning for Instance-level Prediction
of Pathological Images [45.132775668689604]
アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。
両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
論文 参考訳(メタデータ) (2023-04-07T08:31:06Z) - Continual Learning Approaches for Anomaly Detection [2.599882743586164]
本研究では,連続学習環境における異常検出のためのフレームワークとして,圧縮再生を行う新しい手法を提案する。
提案手法は,我々の知る限り,連続学習環境において初めて研究されるスーパーレゾリューションモデルを用いて,原画像のスケールと圧縮を行う。
提案手法を検証するために,画素ベースの異常のある実世界の画像データセットを用いて,連続学習の文脈における異常検出のための信頼性の高いベンチマークを提供する。
論文 参考訳(メタデータ) (2022-12-21T17:08:58Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳(メタデータ) (2022-06-21T01:46:38Z) - Raising the Bar in Graph-level Anomaly Detection [33.737428672049255]
既存のワンクラスのアプローチを大幅に改善する,新たなディープラーニングアプローチを提案する。
提案手法は,既存手法と比較して平均11.8%AUCの性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-27T09:17:57Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - Region-level Active Learning for Cluttered Scenes [60.93811392293329]
本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。
その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
論文 参考訳(メタデータ) (2021-08-20T14:02:38Z) - Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。
NCADは教師なし設定から教師なし設定までシームレスにスケールする。
我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
論文 参考訳(メタデータ) (2021-07-16T04:33:53Z) - Continual Novelty Detection [37.43667292607965]
連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。
この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
論文 参考訳(メタデータ) (2021-06-24T12:30:41Z) - 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) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳(メタデータ) (2021-03-30T14:09:53Z) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳(メタデータ) (2020-03-17T13:40:00Z)
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。