Real time dense anomaly detection by learning on synthetic negative data

要約

高密度異常検出へのほとんどのアプローチは、生成モデリング、または負のデータを使用してトレーニングする識別手法に依存しています。
識別予測のクロスエントロピーと、予測されたエネルギーベースの密度の負の対数尤度に従って、同じ共有表現を最適化する最近のハイブリッド手法を検討します。
私たちは、インライア分布の境界で合成ネガをサンプリングする共同トレーニングされた生成フローを使用して、その作業を拡張します。
提案された拡張機能は、実際の負のデータなしでハイブリッド手法を学習できる可能性を提供します。
私たちの実験では、合成ネガティブデータを使用してトレーニングの影響を分析し、トレーニングと評価中のエネルギーベースの密度の寄与を検証します。

要約(オリジナル)

Most approaches to dense anomaly detection rely on generative modeling or on discriminative methods that train with negative data. We consider a recent hybrid method that optimizes the same shared representation according to cross-entropy of the discriminative predictions, and negative log likelihood of the predicted energy-based density. We extend that work with a jointly trained generative flow that samples synthetic negatives at the border of the inlier distribution. The proposed extension provides potential to learn the hybrid method without real negative data. Our experiments analyze the impact of training with synthetic negative data and validate contribution of the energy-based density during training and evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google