Fugu-MT 論文翻訳(概要): UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving

論文の概要: UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving

arxiv url: http://arxiv.org/abs/2406.06370v1
Date: Mon, 10 Jun 2024 15:32:16 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 13:28:42.041371
Title: UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving
Title（参考訳）: UMAD:無人運転における教師なしマスクレベル異常検出
Authors: Daniel Bogdoll, Noël Ollick, Tim Joseph, J. Marius Zöllner,
Abstract要約: 我々は,非教師なしの異常検出とUMADの提示を再考し,生成的世界モデルと教師なし画像セグメンテーションを活用する。我々の手法は、最先端の教師なし異常検出よりも優れています。
参考スコア（独自算出の注目度）: 18.179088700092567
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dealing with atypical traffic scenarios remains a challenging task in autonomous driving. However, most anomaly detection approaches cannot be trained on raw sensor data but require exposure to outlier data and powerful semantic segmentation models trained in a supervised fashion. This limits the representation of normality to labeled data, which does not scale well. In this work, we revisit unsupervised anomaly detection and present UMAD, leveraging generative world models and unsupervised image segmentation. Our method outperforms state-of-the-art unsupervised anomaly detection.
Abstract（参考訳）: 非定型的な交通シナリオへの対処は、自動運転において依然として難しい課題である。しかし、ほとんどの異常検出アプローチは、生のセンサーデータに基づいて訓練することはできないが、外部データや強力なセマンティックセグメンテーションモデルに曝露する必要がある。これは正規性の表現をラベル付きデータに制限するが、それはうまくスケールしない。本研究では,非教師付き異常検出とUMADの更新を行い,生成的世界モデルと教師なし画像セグメンテーションを活用する。我々の手法は、最先端の教師なし異常検出よりも優れています。

関連論文リスト

uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-04-19T08:46:33Z)
DMAD: Dual Memory Bank for Real-World Anomaly Detection [90.97573828481832]
我々は、DMAD(Anomaly Detection)のための表現学習を強化したDual Memory Bankという新しいフレームワークを提案する。 DMADはデュアルメモリバンクを用いて特徴距離を計算し、正常パターンと異常パターンの間の特徴注意を計算している。 DMADをMVTec-ADおよびVisAデータセット上で評価した。
論文参考訳（メタデータ） (2024-03-19T02:16:32Z)
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)
Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2023-11-17T07:49:20Z)
A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection [4.494911384096143]
ビデオにおける異常事象の検出は、監視などのアプリケーションにおいて重要な問題である。セグメントレベル(正規/異常)の擬似ラベルを生成する簡易な2段擬似ラベル生成フレームワークを提案する。提案した粗大な擬似ラベル生成器は、慎重に設計された階層的分割クラスタリングと統計的仮説テストを用いている。
論文参考訳（メタデータ） (2023-10-26T17:59:19Z)
Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。適応過程を監督する信頼性のある信号はターゲット領域に存在しない。この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文参考訳（メタデータ） (2023-03-27T15:07:55Z)
Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
交通渋滞異常検出は知的交通システムにおいて最重要事項である。本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
論文参考訳（メタデータ） (2022-06-28T17:08:47Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Anomaly Detection via Self-organizing Map [52.542991004752]
製品品質管理のための工業生産において,異常検出が重要な役割を担っている。従来の異常検出方法は、限定的な一般化能力を持つルールベースである。教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
論文参考訳（メタデータ） (2021-07-21T06:56:57Z)
Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文参考訳（メタデータ） (2020-06-19T20:41:58Z)
Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
監視シナリオにおける異常検出は、新たな研究分野である。本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
論文参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。