基于动态时间规整的弱监督时间异常分割
计算机视觉与模式识别
2021-08-17 v1 人工智能
机器学习
摘要
近期大多数关于时间异常检测与定位的研究主要采用深度神经网络以无监督方式学习时间数据的正常模式。与之不同，我们工作的目标是充分利用实例级（或弱）异常标签，其仅指示每个时间数据实例中是否发生了任何异常事件。在本文中，我们提出 WETAS，一种有效识别输入实例中异常时间片段（即连续时间点）的新型框架。WETAS 从实例级标签学习判别性特征，从而推断每个实例内正常与异常片段的顺序，可用作粗略分割掩码。基于输入实例与其分割掩码之间的动态时间规整(DTW)对齐，WETAS 获得时间分割结果，同时利用该掩码作为额外监督进一步提升自身。我们的实验表明，WETAS 在时间异常定位方面大幅优于其他基线，且相比点级检测方法提供了更具信息量的结果。
引用
@article{arxiv.2108.06816,
title = {Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping},
author = {Dongha Lee and Sehun Yu and Hyunjun Ju and Hwanjo Yu},
journal= {arXiv preprint arXiv:2108.06816},
year = {2021}
}
备注
ICCV 2021. 8 pages, References (2 pages), Appendix (3 pages), 6 figures