Set Features for Fine-grained Anomaly Detection

要約

細粒度の異常検出は、最近、セグメンテーション ベースのアプローチによって支配されています。
これらのアプローチでは、最初にサンプルの各要素 (画像パッチなど) を正常または異常として分類し、異常な要素が含まれている場合はサンプル全体を異常として分類します。
ただし、そのようなアプローチは、異常が通常の要素の異常な組み合わせによって表現されるシナリオには適用されません。
この論文では、各サンプルをその要素の分布によってモデル化するセット機能を提案することにより、この制限を克服します。
単純な密度推定法を使用して、各サンプルの異常スコアを計算します。
実装が簡単な当社のアプローチは、画像レベルの論理的異常検出 (+3.4%) およびシーケンス レベルの時系列異常検出 (+2.4%) において最先端技術を上回っています。

要約(オリジナル)

Fine-grained anomaly detection has recently been dominated by segmentation based approaches. These approaches first classify each element of the sample (e.g., image patch) as normal or anomalous and then classify the entire sample as anomalous if it contains anomalous elements. However, such approaches do not extend to scenarios where the anomalies are expressed by an unusual combination of normal elements. In this paper, we overcome this limitation by proposing set features that model each sample by the distribution its elements. We compute the anomaly score of each sample using a simple density estimation method. Our simple-to-implement approach outperforms the state-of-the-art in image-level logical anomaly detection (+3.4%) and sequence-level time-series anomaly detection (+2.4%).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google