論文の概要: Hoi2Anomaly: An Explainable Anomaly Detection Approach Guided by Human-Object Interaction

• arxiv url: http://arxiv.org/abs/2503.10508v2
• Date: Sat, 15 Mar 2025 05:44:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:36:28.998340
• Title: Hoi2Anomaly: An Explainable Anomaly Detection Approach Guided by Human-Object Interaction
• Title（参考訳）: Hoi2Anomaly:人間と物体の相互作用によって導かれる説明可能な異常検出手法
• Authors: Yuhan Wang, Cheng Liu, Daou Zhang, Weichao Wu,
• Abstract要約: 本稿では, 異常の正確な識別と局所化を目的とした, Hoi2 Anomaly と呼ばれる新しい異常検出手法を提案する。 提案手法は,Human-object Interaction (HOI) ペアからなるマルチモーダル・インストラクション・チューニング・データセットを異常なシナリオで構築することを含む。 実験結果は,Hoi2Anomalyが既存の生成的アプローチを精度と説明可能性の観点から上回っていることを示している。
• 参考スコア（独自算出の注目度）: 4.504505809016945
• License:
• Abstract: In the domain of Image Anomaly Detection (IAD), Existing methods frequently exhibit a paucity of fine-grained, interpretable semantic information, resulting in the detection of anomalous entities or activities that are susceptible to machine illusions. This deficiency often leads to the detection of anomalous entities or actions that are susceptible to machine illusions and lack sufficient explanation. In this thesis, we propose a novel approach to anomaly detection, termed Hoi2Anomaly, which aims to achieve precise discrimination and localization of anomalies. The proposed methodology involves the construction of a multi-modal instruction tuning dataset comprising human-object interaction (HOI) pairs in anomalous scenarios. Second, we have trained an HOI extractor in threat scenarios to localize and match anomalous actions and entities. Finally, explanatory content is generated for the detected anomalous HOI by fine-tuning the visual language pretraining (VLP) framework. The experimental results demonstrate that Hoi2Anomaly surpasses existing generative approaches in terms of precision and explainability. We will release Hoi2Anomaly for the advancement of the field of anomaly detection.
• Abstract（参考訳）: Image Anomaly Detection (IAD)の領域では、既存の手法では、細粒度で解釈可能なセマンティックな情報のパーキュリティがしばしば示され、結果として異常な実体や、機械錯覚に影響を受けやすいアクティビティが検出される。 この欠損は、しばしば機械の錯覚に影響され、十分な説明が得られない異常な実体や行動の検出につながる。 本論文では, 異常の正確な識別と局所化を実現することを目的とした, Hoi2 Anomaly と呼ばれる新しい異常検出手法を提案する。 提案手法は,Human-object Interaction (HOI) ペアからなるマルチモーダル・インストラクション・チューニング・データセットを異常なシナリオで構築することを含む。 第2に、脅威シナリオにおけるHOI抽出器をトレーニングし、異常な動作やエンティティをローカライズし、一致させる。 最後に、視覚言語事前学習(VLP)フレームワークを微調整することにより、検出された異常HOIに対する説明内容を生成する。 実験結果は,Hoi2Anomalyが既存の生成的アプローチを精度と説明可能性の観点から上回っていることを示している。 異常検出の分野での進歩のために,Hoi2Anomalyをリリースする。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T09:06:52Z)
• Reimagining Anomalies: What If Anomalies Were Normal? [21.480869966442143]
  本稿では,各異常に対して複数の逆実例を生成する新しい説明法を提案する。 逆の例は、異常検知器によって正常と見なされる異常の修正である。 この手法は、異常検知を起動するメカニズムの高レベルなセマンティックな説明を提供し、ユーザーは「何のシナリオ」を探索できる。
  論文  参考訳（メタデータ） (2024-02-22T11:56:44Z)
• 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-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
  本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。 具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。 生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
  論文  参考訳（メタデータ） (2022-11-24T13:03:20Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• X-MAN: Explaining multiple sources of anomalies in video [25.929134751869032]
  ビデオ中の異常を検出するのに適した解釈可能な特徴表現を構築する方法を示す。 また,その応答の背後にある理由を記述可能な,解釈可能な確率的異常検出器を提案する。 提案手法は,公開データセット上の技術状況とよく競合する。
  論文  参考訳（メタデータ） (2021-06-16T15:25:50Z)
• Towards Fair Deep Anomaly Detection [24.237000220172906]
  我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。 提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
  論文  参考訳（メタデータ） (2020-12-29T22:34:45Z)
• 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)

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。