Conditioning Latent-Space Clusters for Real-World Anomaly Classification

要約

自動運転の領域における異常は、自動運転車の大規模導入の大きな障害となっています。
この研究では、さまざまなタイプやサイズの異常を含む都市風景の高解像度カメラ データに焦点を当てます。
変分オートエンコーダに基づいて、その潜在空間を調整してサンプルを正常データまたは異常のいずれかに分類します。
特に小さな異常を強調するために、追加の入力として不一致マップを VAE に提供し、検出パフォーマンスへの影響を評価する実験を実行します。
私たちの方法は、高品質の画像を再構成しながら、正常なデータと異常を孤立したクラスターに分離し、意味のある潜在表現を導き出します。

要約(オリジナル)

Anomalies in the domain of autonomous driving are a major hindrance to the large-scale deployment of autonomous vehicles. In this work, we focus on high-resolution camera data from urban scenes that include anomalies of various types and sizes. Based on a Variational Autoencoder, we condition its latent space to classify samples as either normal data or anomalies. In order to emphasize especially small anomalies, we perform experiments where we provide the VAE with a discrepancy map as an additional input, evaluating its impact on the detection performance. Our method separates normal data and anomalies into isolated clusters while still reconstructing high-quality images, leading to meaningful latent representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google