文献

J-GLOBAL ID：202002260950698165   整理番号：20A1811812

Glad:大域および局所異常検出【JST・京大機械翻訳】

Glad: Global And Local Anomaly Detection

著者 (3件)： Nie Lihai (Tianjin University,Tianjin Key Lab. of Advanced Networking (TANKLab), College of Intelligence and Computing (CIC)) ,  Zhao Laiping (Tianjin University,Tianjin Key Lab. of Advanced Networking (TANKLab), College of Intelligence and Computing (CIC)) ,  Li Keqiu (Tianjin University,Tianjin Key Lab. of Advanced Networking (TANKLab), College of Intelligence and Computing (CIC))
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICME  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 画像における異常の検出は,画像データの高次元性のために困難である。以前の学習ベースの異常検出手法は,正確に異常の特定のタイプを検出することができるが,それらは,同時に,複数のタイプの異常サンプルの検出に失敗する。大域的異常と局所異常という名の圧縮ベースまたは再構成ベース異常検出手法のいずれかによって正確に検出できる異常の2つの特定のタイプを同定した。次に,同時にそれらの両方を正確に検出できる異常検出器であるGradを提案した。グレードは,密度推定と自動エンコーダを組み合わせた関節アプローチを採用する。最初に,グローバル異常を同定するための潜在表現確率を導出するためにマルチモーダル密度推定モデルを設計した。次に,局所異常を特徴づけるための再構成損失を測定するために構造類似性を用いた。最後に,両異常は潜在表現と再構成損失の関節密度に従って診断できる。公開ベンチマークデータセットに関する実験結果は,Gradが最先端の方法を著しく凌駕することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  *符号器 ,  再構成 ,  多モード ,  高次元 ,  類似性
準シソーラス用語： 画像データ ,  異常検出 ,  推定モデル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (1件)： 異常検出