HyperAIHyperAI
vor 17 Tagen

Diversität-messbare Anomalieerkennung

Wenrui Liu, Hong Chang, Bingpeng Ma, Shiguang Shan, Xilin Chen
Diversität-messbare Anomalieerkennung
Abstract

Rekonstruktionsbasierte Anomalieerkennungsmodelle erreichen ihr Ziel, indem sie die Generalisierungsfähigkeit für Anomalien unterdrücken. Gleichzeitig werden jedoch auch vielfältige normale Muster nicht ausreichend rekonstruiert. Obwohl einige Ansätze unternommen wurden, dieses Problem durch die Modellierung der Stichprobenvielfalt zu mildern, leiden sie aufgrund von Kurzschlusslernprozessen unter der unerwünschten Übertragung anormaler Informationen. In diesem Paper schlagen wir zur besseren Bewältigung dieses Kompromissproblems den Diversity-Measurable Anomaly Detection (DMAD)-Ansatz vor, um die Rekonstruktionsvielfalt zu erhöhen und gleichzeitig die unerwünschte Generalisierung auf Anomalien zu vermeiden. Hierzu entwerfen wir das Pyramid Deformation Module (PDM), das diverse normale Muster modelliert und die Schwere von Anomalien durch die Schätzung mehrskaliger Verformungsfelder von der rekonstruierten Referenz auf die ursprüngliche Eingabe misst. In Kombination mit einem Informationskompressionsmodul entkoppelt PDM im Wesentlichen die Verformung von prototypischen Einbettungen und macht das endgültige Anomalie-Score-Verfahren zuverlässiger. Experimentelle Ergebnisse an Überwachungsvideos sowie industriellen Bildern belegen die Wirksamkeit unseres Ansatzes. Darüber hinaus zeigt DMAD eine gleich gute Leistung auch bei verunreinigten Daten und Anomalie-ähnlichen normalen Proben.

Diversität-messbare Anomalieerkennung | Neueste Forschungsarbeiten | HyperAI