論文の概要: AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations
- arxiv url: http://arxiv.org/abs/2409.05679v1
- Date: Mon, 9 Sep 2024 14:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 14:19:16.200176
- Title: AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations
- Title(参考訳): AnomalyCD:高分解能・時系列観測による地球異常変化検出のベンチマーク
- Authors: Jingtao Li, Qian Zhu, Xinyu Wang, Hengwei Zhao, Yanfei Zhong,
- Abstract要約: AnomalyCD技術は、過去の正常な変化パターンから学習することで、異常な変化を特定することを学ぶ。
AnomalyCDMは効率を高めるための2段階のワークフローとして設計されており、見えない画像を直接処理することができる。
- 参考スコア(独自算出の注目度): 12.35831157851407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Various Earth anomalies have destroyed the stable, balanced state, resulting in fatalities and serious destruction of property. With the advantages of large-scale and precise observation, high-resolution remote sensing images have been widely used for anomaly monitoring and localization. Powered by the deep representation, the existing methods have achieved remarkable advances, primarily in classification and change detection techniques. However, labeled samples are difficult to acquire due to the low probability of anomaly occurrence, and the trained models are limited to fixed anomaly categories, which hinders the application for anomalies with few samples or unknown anomalies. In this paper, to tackle this problem, we propose the anomaly change detection (AnomalyCD) technique, which accepts time-series observations and learns to identify anomalous changes by learning from the historical normal change pattern. Compared to the existing techniques, AnomalyCD processes an unfixed number of time steps and can localize the various anomalies in a unified manner, without human supervision. To benchmark AnomalyCD, we constructed a high-resolution dataset with time-series images dedicated to various Earth anomalies (the AnomalyCDD dataset). AnomalyCDD contains high-resolution (from 0.15 to 2.39 m/pixel), time-series (from 3 to 7 time steps), and large-scale images (1927.93 km2 in total) collected globally Furthermore, we developed a zero-shot baseline model (AnomalyCDM), which implements the AnomalyCD technique by extracting a general representation from the segment anything model (SAM) and conducting temporal comparison to distinguish the anomalous changes from normal changes. AnomalyCDM is designed as a two-stage workflow to enhance the efficiency, and has the ability to process the unseen images directly, without retraining for each scene.
- Abstract(参考訳): 様々な地球の異常が安定的でバランスの取れた状態を破壊し、死者と資産の深刻な破壊を引き起こした。
大規模かつ高精度な観測の利点により、異常監視や局所化に高解像度のリモートセンシング画像が広く用いられている。
深層表現によって駆動される既存の手法は、主に分類と変化検出技術において顕著な進歩を遂げている。
しかし, ラベル付きサンプルは異常発生の確率が低いため取得が困難であり, トレーニングされたモデルは固定された異常カテゴリーに限られており, 少ないサンプルや未知の異常に対する適用を妨げている。
本稿では, 時系列観測を受理し, 歴史的変化パターンから異常変化の同定を学習する異常変化検出(AnomalyCD)手法を提案する。
既存の技術と比較すると、AnomalyCDは固定されていない時間ステップを処理し、人間の監督なしに様々な異常を統一的にローカライズすることができる。
AnomalyCDをベンチマークするために、さまざまな地球異常(AnomalyCDDデータセット)に特化した時系列画像を用いた高分解能データセットを構築した。
AnomalyCDDには高解像度(0.15~2.39 m/ピクセル)、時系列(3~7時間ステップ)、大規模画像(1927.93 km2)が大域的に広範に収集されており、我々はAnomalyCDD技術を実装したゼロショットベースラインモデル(AnomalyCDM)を開発した。
AnomalyCDMは効率を向上させるための2段階のワークフローとして設計されており、シーンごとに再トレーニングすることなく、見えない画像を直接処理することができる。
関連論文リスト
- View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis [0.0]
インフラ資産の検査と監視には、定期的に撮影されるシーンの視覚異常を特定する必要がある。
手動で収集した画像や、同じ場面で同じシーンから無人航空機などのロボットで撮影された画像は、通常は完全に一致していない。
現在の非教師なし画素レベルの異常検出法は, 主に産業環境下で開発されている。
提案するScene AD問題に対処するために,OmniADと呼ばれる新しいネットワークを提案する。
論文 参考訳(メタデータ) (2024-06-26T01:54:10Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Open-Set Multivariate Time-Series Anomaly Detection [7.127829790714167]
時系列異常検出法は、トレーニング期間中に通常のサンプルのみが利用可能であると仮定する。
監視された手法は、通常の異常や観察された異常を分類するために利用することができるが、訓練中に見られる異常に過度に適応する傾向がある。
MOSAD(Multivarate Open-Set Time-Series Anomaly Detector)と呼ばれるオープンセットTSAD問題に対処するアルゴリズムを提案する。
MOSADは、共有表現空間と、生成ヘッド、識別ヘッド、異常認識コントラストヘッドを含む特殊ヘッドを備えた、新しいマルチヘッドTSADフレームワークである。
論文 参考訳(メタデータ) (2023-10-18T19:55:11Z) - Unsupervised anomaly localization in high-resolution breast scans using deep pluralistic image completion [5.911215493148418]
デジタル乳房共生(DBT)における腫瘍自動検出は, 天然腫瘍の出現率, 乳房組織の変化, 高分解能のため難しい課題である。
機械学習におけるほとんどの異常なローカライゼーション研究は、非医療的なデータセットに焦点を当てている。
論文 参考訳(メタデータ) (2023-05-04T18:28:09Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳(メタデータ) (2023-03-09T05:52:42Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z)
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。