An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots

要約

移動ロボットの視覚的異常検出システムを構築する問題を検討します。
標準的な異常検出モデルは、異常のないデータのみで構成される大規模なデータセットを使用してトレーニングされます。
ただし、ロボット工学のアプリケーションでは、異常の例が (非常に少ない可能性があります) 利用できる場合がよくあります。
これらのデータを活用して Real-NVP 異常検出モデルのパフォーマンスを改善するという問題に取り組み、Real-NVP の損失と合わせて、補助的な外れ値の露出マージンの損失を最小限に抑えます。
屋内パトロール シナリオでの異常検出用に設計された新しいデータセット (補足資料として公開) で定量的実験を行います。
バラバラなテストセットでは、私たちのアプローチは他の方法よりも優れており、少数の異常なフレームを公開するだけでもパフォーマンスが大幅に向上することが示されています。

要約(オリジナル)

We consider the problem of building visual anomaly detection systems for mobile robots. Standard anomaly detection models are trained using large datasets composed only of non-anomalous data. However, in robotics applications, it is often the case that (potentially very few) examples of anomalies are available. We tackle the problem of exploiting these data to improve the performance of a Real-NVP anomaly detection model, by minimizing, jointly with the Real-NVP loss, an auxiliary outlier exposure margin loss. We perform quantitative experiments on a novel dataset (which we publish as supplementary material) designed for anomaly detection in an indoor patrolling scenario. On a disjoint test set, our approach outperforms alternatives and shows that exposing even a small number of anomalous frames yields significant performance improvements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google