Env-Aware Anomaly Detection: Ignore Style Changes, Stay True to Content!

要約

我々は、分布シフトシナリオにおける教師無し異常検出タスクの定式化とベンチマークを紹介する。我々の研究はiWildCamデータセットに基づいており、我々の知る限り、視覚データに対してこのようなアプローチを提案したのは我々が最初である。我々は、基本的な経験的リスク最小化（Empirical Risk Minimization: ERM）と比較して、環境を考慮した手法がこのような場合に良い性能を示すことを経験的に検証する。次に，学習時に環境ラベルを考慮した対比手法のための正標本生成の拡張機能を提案し，ERMのベースラインスコアを8.7%向上させる．

要約(オリジナル)

We introduce a formalization and benchmark for the unsupervised anomaly detection task in the distribution-shift scenario. Our work builds upon the iWildCam dataset, and, to the best of our knowledge, we are the first to propose such an approach for visual data. We empirically validate that environment-aware methods perform better in such cases when compared with the basic Empirical Risk Minimization (ERM). We next propose an extension for generating positive samples for contrastive methods that considers the environment labels when training, improving the ERM baseline score by 8.7%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL