基于异构自主系统的无监督异常检测
计算机视觉与模式识别
2020-07-15 v2 机器学习
图像与视频处理
摘要
监控场景中的异常检测（AD）是一个新兴且具挑战性的研究领域。对于无人机或汽车等自主车辆，实时区分正常与异常状态极为重要。此外，我们还需检测任何设备 malfunction（故障）。但异常的性质与程度可能因实际环境与对抗者而异。因此，先验地建模所有情况并使用监督方法分类是不切实际的。而且，自主车辆提供图像及其他模拟或数字传感器数据等多种数据类型，若能有效利用，皆有助于异常检测。为此，本文提出一种异构系统，以无监督方式分析实时图像与 IMU（惯性测量单元）传感器数据，估计无人监控无人机的异常程度。我们展示了一种称为 AngleNet 的卷积神经网络（CNN）架构，用于估计正常图像与待考量图像间的角度，从而提供设备异常程度的度量。此外，IMU 数据被输入自动编码器以预测异常。最后，集成这两种算法的结果来估计最终异常程度。所提方法在 IEEE SP Cup-2020 数据集上以 97.3% 的准确率表现令人满意。另外，我们也在内部数据集上测试了该方法的鲁棒性。
引用
@article{arxiv.2006.03733,
title = {Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems},
author = {Sayeed Shafayet Chowdhury and Kazi Mejbaul Islam and Rouhan Noor},
journal= {arXiv preprint arXiv:2006.03733},
year = {2020}
}