論文の概要: Real-World On-Vehicle Evaluation of Embedding-Based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.19744v1
• Date: Tue, 19 May 2026 12:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.324145
• Title: Real-World On-Vehicle Evaluation of Embedding-Based Anomaly Detection
• Title（参考訳）: 埋め込み型異常検出の車載実時間評価
• Authors: Albert Schotschneider, Daniel Bogdoll, Svetlana Pavlitska, Ahmed Abouelazm, Johann Marius Zoellner,
• Abstract要約: 適応型リアルタイム異常検出法を提案する。 この方法は、単一の参照画像を通して正常性を頑健にモデル化する。 本手法は,実世界のシナリオにおいて,標準ベンチマークや自動走行車上で評価する。
• 参考スコア（独自算出の注目度）: 6.4608885905480475
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting anomalies in traffic scenes is crucial for ensuring safety in autonomous driving, yet collecting representative anomalous data remains challenging. Existing anomaly detection methods are highly specialized and rely on normality as defined by the abstract semantic Cityscapes classes, making it difficult to adapt to diverse real-world scenarios. We propose an adaptable real-time anomaly detection method that leverages foundation models in the form of pretrained vision transformer embeddings to detect deviations via nearest-neighbor similarity in the latent semantic feature space. Based on patch-wise processing, the algorithm produces dense anomaly masks, allowing for the localization of detected anomalies. The method robustly models normality through a single reference image. This formulation avoids explicit supervision and dataset-specific training, making it suitable for real-world deployment. We evaluate the method on standard benchmarks and on an automated vehicle in real-world scenarios. Despite its simplicity, the method achieves good performance on the Road Anomaly benchmark and demonstrates consistent qualitative behavior in practice, successfully highlighting semantically unusual objects in diverse scenes. These results suggest that simple, reference-based methods can provide useful anomaly signals under realistic operating conditions.
• Abstract（参考訳）: 交通シーンの異常を検出することは、自動運転の安全性を確保する上で重要であるが、代表的な異常データを収集することは依然として困難である。 既存の異常検出手法は高度に特殊化されており、抽象的なセマンティックなCityscapesクラスによって定義された正規性に依存しているため、様々な現実世界のシナリオに適応することが困難である。 本稿では,事前学習型視覚トランスフォーマー埋め込みの形で基礎モデルを利用した適応型リアルタイム異常検出手法を提案する。 パッチ処理に基づいて、アルゴリズムは密集した異常マスクを生成し、検出された異常の局所化を可能にする。 この方法は、単一の参照画像を通して正常性を頑健にモデル化する。 この定式化は、明示的な監視とデータセット固有のトレーニングを回避し、現実世界のデプロイメントに適している。 本手法は,実世界のシナリオにおいて,標準ベンチマークや自動走行車上で評価する。 その単純さにもかかわらず、この手法はロード異常のベンチマークにおいて優れた性能を達成し、実際に一貫した定性的な振る舞いを示し、多様な場面で意味的に異常なオブジェクトをハイライトすることに成功した。 これらの結果から,現実的な動作条件下では,単純な参照型手法が有用な異常信号を提供する可能性が示唆された。

関連論文リスト

• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• Toward Faithful Explanations in Acoustic Anomaly Detection [21.487734134424187]
  現実の異常検出アプリケーションにおけるユーザ信頼の解釈性は不可欠である。 我々は,標準的なオートエンコーダ (AE) とマスクオートエンコーダ (MAE) を比較する。 MAEは一貫してより忠実で時間的に正確な説明を提供し、真の異常との整合性を示唆している。
  論文  参考訳（メタデータ） (2026-01-19T02:16:37Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• 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)
• A Transfer Learning Framework for Anomaly Detection Using Model of Normality [2.9685635948299995]
  畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。 モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。 提案したしきい値設定により,大幅な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-12T05:26:32Z)

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。