論文の概要: CKNN: Cleansed k-Nearest Neighbor for Unsupervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2408.03014v1
• Date: Tue, 6 Aug 2024 07:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 14:37:26.520627
• Title: CKNN: Cleansed k-Nearest Neighbor for Unsupervised Video Anomaly Detection
• Title（参考訳）: CKNN: 監視されていないビデオ異常検出のためのクリーニングされたk-Nearest隣人
• Authors: Jihun Yi, Sungroh Yoon,
• Abstract要約: クリーズドk-Nearest Neighbor (CKNN) と呼ばれる新しい手法を提案する。 CKNNはトレーニングデータセットをきれいにすることで、Anomaly Clustersを明示的にフィルタリングする。 提案手法を様々なベンチマークデータセットで評価し、CKNNが従来の最先端UVAD法よりも最大8.5%優れていたことを示す。
• 参考スコア（独自算出の注目度）: 40.09012921252129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the problem of unsupervised video anomaly detection (UVAD). The task aims to detect abnormal events in test video using unlabeled videos as training data. The presence of anomalies in the training data poses a significant challenge in this task, particularly because they form clusters in the feature space. We refer to this property as the "Anomaly Cluster" issue. The condensed nature of these anomalies makes it difficult to distinguish between normal and abnormal data in the training set. Consequently, training conventional anomaly detection techniques using an unlabeled dataset often leads to sub-optimal results. To tackle this difficulty, we propose a new method called Cleansed k-Nearest Neighbor (CKNN), which explicitly filters out the Anomaly Clusters by cleansing the training dataset. Following the k-nearest neighbor algorithm in the feature space provides powerful anomaly detection capability. Although the identified Anomaly Cluster issue presents a significant challenge to applying k-nearest neighbor in UVAD, our proposed cleansing scheme effectively addresses this problem. We evaluate the proposed method on various benchmark datasets and demonstrate that CKNN outperforms the previous state-of-the-art UVAD method by up to 8.5% (from 82.0 to 89.0) in terms of AUROC. Moreover, we emphasize that the performance of the proposed method is comparable to that of the state-of-the-art method trained using anomaly-free data.
• Abstract（参考訳）: 本稿では,教師なしビデオ異常検出(UVAD)の問題に対処する。 この課題は、未ラベルの動画をトレーニングデータとして、テストビデオの異常事象を検出することを目的としている。 トレーニングデータに異常が存在することは、特に特徴空間のクラスタを形成するため、このタスクにおいて大きな課題となる。 このプロパティを"異常クラスタ"問題と呼ぶ。 これらの異常の凝縮の性質は、トレーニングセットにおける正常データと異常データの区別を困難にしている。 その結果,ラベルなしデータセットを用いた従来の異常検出手法のトレーニングは,しばしば準最適結果をもたらす。 この課題に対処するため,トレーニングデータセットをきれいにすることで,異常クラスタを明示的にフィルタするCKNN(Cleansed k-Nearest Neighbor)と呼ばれる新しい手法を提案する。 特徴空間におけるk-アネレスト隣のアルゴリズムに従えば、強力な異常検出能力が得られる。 同定された異常クラスタ問題は,UVAD に k-nearest を適用させる上で大きな課題となるが,提案手法はこの問題に効果的に対処する。 提案手法を各種ベンチマークデータセット上で評価し, CKNNが従来のUVAD法を最大8.5%(82.0から89.0)上回っていることを示す。 さらに,提案手法の性能は,異常のないデータを用いて訓練した最先端手法に匹敵するものであることも強調した。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• 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)
• An Efficient Anomaly Detection Approach using Cube Sampling with Streaming Data [2.0515785954568626]
  異常検出は侵入検知、健康モニタリング、故障診断、センサネットワークイベント検出など様々な分野で重要である。 孤立林(アイフォレスト)アプローチは、異常を検出するためのよく知られた手法である。 本稿では,ストリーミングデータに有効なキューブサンプリングを用いた,効率的なiForestに基づく異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T04:23:00Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Cleaning Label Noise with Clusters for Minimally Supervised Anomaly Detection [26.062659852373653]
  ビデオレベルラベルのみを用いてトレーニングした弱い教師付き異常検出法を定式化する。 提案手法は UCF-crime と ShanghaiTech のデータセットでそれぞれ78.27% と84.16% のフレームレベル AUC が得られる。
  論文  参考訳（メタデータ） (2021-04-30T06:03:24Z)
• Video Anomaly Detection by Estimating Likelihood of Representations [21.879366166261228]
  ビデオ異常は、モーション表現、オブジェクトのローカライゼーション、アクション認識など、多くのサブタスクを解決するため、困難なタスクである。 伝統的に、この課題に対する解決策は、これらの特徴の空間的接続を無視しながら、ビデオフレームとその低次元特徴のマッピングに焦点を当ててきた。 最近のソリューションでは、K-Meansのようなハードクラスタリング技術を用いてこれらの空間的接続を分析することや、潜伏した特徴を一般的な理解にマップするためにニューラルネットワークを適用することに焦点を当てている。 潜在特徴空間における映像異常を解決するために,このタスクを密度推定問題に転送するための深い確率モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-02T19:16:22Z)
• CLAWS: Clustering Assisted Weakly Supervised Learning with Normalcy Suppression for Anomalous Event Detection [20.368114998124295]
  本稿では,多様体の寄与を考慮した弱教師付き異常検出手法を提案する。 提案手法は, UCF Crime と ShanghaiTech のデータセットでそれぞれ 83.03% と 89.67% のフレームレベルの AUC 性能を得る。
  論文  参考訳（メタデータ） (2020-11-24T13:27:40Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。