論文の概要: Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.25255v1
• Date: Thu, 26 Mar 2026 09:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.228462
• Title: Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection
• Title（参考訳）: 多成分軌道異常検出のためのハイパースペクトル軌道画像
• Authors: Md Awsafur Rahman, Chandrakanth Gudavalli, Hardik Prajapati, B. S. Manjunath,
• Abstract要約: 軌道異常検出は不正検出から都市移動分析への応用の基盤となる。 厳密なGPS法は微細な証拠を保存しているが、その二次的なコストは多ヶ月にわたる分析を困難にしている。 視問題として軌跡異常検出を再構成するTITAnD(Trajectory Image Transformer for Anomaly Detection)を提案する。
• 参考スコア（独自算出の注目度）: 5.846071732383721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory anomaly detection underpins applications from fraud detection to urban mobility analysis. Dense GPS methods preserve fine-grained evidence such as abnormal speeds and short-duration events, but their quadratic cost makes multi-month analysis intractable; consequently, no existing approach detects anomalies over multi-month dense GPS trajectories. The field instead relies on scalable sparse stay-point methods that discard this evidence, forcing separate architectures for each regime and preventing knowledge transfer. We argue this bottleneck is unnecessary: human trajectories, dense or sparse, share a natural two-dimensional cyclic structure along within-day and across-day axes. We therefore propose TITAnD (Trajectory Image Transformer for Anomaly Detection), which reformulates trajectory anomaly detection as a vision problem by representing trajectories as a Hyperspectral Trajectory Image (HTI): a day x time-of-day grid whose channels encode spatial, semantic, temporal, and kinematic information from either modality, unifying both under a single representation. Under this formulation, agent-level detection reduces to image classification and temporal localization to semantic segmentation. To model this representation, we introduce the Cyclic Factorized Transformer (CFT), which factorizes attention along the two temporal axes, encoding the cyclic inductive bias of human routines, while reducing attention cost by orders of magnitude and enabling dense multi-month anomaly detection for the first time. Empirically, TITAnD achieves the best AUC-PR across sparse and dense benchmarks, surpassing vision models like UNet while being 11-75x faster than the Transformer with comparable memory, demonstrating that vision reformulation and structure-aware modeling are jointly essential. Code will be made public soon.
• Abstract（参考訳）: 軌道異常検出は不正検出から都市移動分析への応用の基盤となる。 厳密なGPS法は異常な速度や短周期現象などの微細な証拠を保存しているが、その二次的なコストは、多ヶ月にわたる解析を難なくし、その結果、既存のアプローチでは、多ヶ月にわたる高密度GPS軌道上の異常を検出することはできない。 フィールドは代わりに、この証拠を捨てるスケーラブルなスパース・スタンポイント・メソッドに依存しており、各レシフィケーションに対して別々のアーキテクチャを強制し、知識伝達を防ぐ。 このボトルネックは不要である、と我々は主張する:ヒトの軌跡、密度またはスパース、自然の2次元循環構造を日中および日中軸に沿って共有する。 そこで我々は,トラジェクタをハイパースペクトル軌道画像 (HTI) として表現することで,トラジェクタ異常検出を視覚問題として再構成するTITAnD (Trajectory Image Transformer for Anomaly Detection) を提案する。 この定式化の下では、エージェントレベルの検出は画像分類と時間的局所化を意味的セグメンテーションに還元する。 この表現をモデル化するために、CFT(Cydic Factorized Transformer)を導入し、2つの時間軸に沿って注意を分解し、人間のルーチンの周期的帰納バイアスを符号化する。 実証的には、TITAnDはスパースと高密度のベンチマークで最高のAUC-PRを達成し、UNetのようなビジョンモデルを上回っ、同じメモリを持つトランスフォーマーよりも11-75倍高速であり、視覚の再構成と構造認識モデリングが共同で必要であることを示した。 コードはまもなく公開されます。

関連論文リスト

• ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection [19.3685780408744]
  正常試料と異常試料の両方が高次元空間に散在する傾向があることを示す実験的検討を行った。 我々は、この分散現象を散乱として定式化し、サンプル表現の平均対距離で定量化する。 我々は,学習した時間的および位相的表現の補完を保証するために,対照的な融合機構を導入する。
  論文  参考訳（メタデータ） (2025-09-29T08:03:03Z)
• Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
  軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。 既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。 提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
  論文  参考訳（メタデータ） (2025-09-22T20:15:15Z)
• 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)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)

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。