MIKLÁŠOVÁ, Kristína, Ondřej LOMIČ, Lukáš CÍSAR, Lubomír POPELÍNSKÝ a Veronika KREJČÍŘOVÁ. Autoencoders vs. others for anomaly detection. Online. In Jaroslav Zendulka, Mária Bieliková, Radek Burget, Zbyněk Křivka. DATA A ZNALOSTI & WIKT 2018, sborník konference. Brno: Vysoké učení technické v Brně, 2018, s. 215-220. ISBN 978-80-214-5679-2.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Autoencoders vs. others for anomaly detection
Název česky Autoencodery vs. jiné metody pro detekci anomálií
Autoři MIKLÁŠOVÁ, Kristína (703 Slovensko), Ondřej LOMIČ (203 Česká republika), Lukáš CÍSAR (703 Slovensko), Lubomír POPELÍNSKÝ (203 Česká republika, garant, domácí) a Veronika KREJČÍŘOVÁ (203 Česká republika).
Vydání Brno, DATA A ZNALOSTI & WIKT 2018, sborník konference, od s. 215-220, 6 s. 2018.
Nakladatel Vysoké učení technické v Brně
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10200 1.2 Computer and information sciences
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Kód RIV RIV/00216224:14330/18:00105831
Organizační jednotka Fakulta informatiky
ISBN 978-80-214-5679-2
Klíčová slova česky Autoencodery · Local Outlier Factor (LOF) · z-skore · anomalie · PascalVOC image dataset · extrakce rysů
Klíčová slova anglicky Autoencoders · Local Outlier Factor (LOF) · z-score · anomalies · PascalVOC image dataset · feature extraction
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: doc. RNDr. Lubomír Popelínský, Ph.D., učo 1945. Změněno: 22. 1. 2019 22:40.
Anotace
The paper deals with a task of finding anomalies in the set of pictures using autoencoders and comparison of results with other methods searching for outliers, namely LOF and z-score. Outliers found by these methods are compared to outliers found by project team members. Process consists of preprocessing of pictures using pretrained deep neural nets (one at a time), reducing dimension using PCA, normalization of features and applying methods on pictures, either on a whole set or subsets divided by classes (dividing the pictures to groups by objects of interest that can be found in them). Output of methods with different attribute settings was compared to outliers found by team members using confusion matrix and F1-score. The results were not very positive, no significant relationships were found between anomalies found by team members and by anomalies found by individual methods. Possible reasons for this are discussed.
Anotace česky
The paper deals with a task of finding anomalies in the set of pictures using autoencoders and comparison of results with other methods searching for outliers, namely LOF and z-score. Outliers found by these methods are compared to outliers found by project team members. Process consists of preprocessing of pictures using pretrained deep neural nets (one at a time), reducing dimension using PCA, normalization of features and applying methods on pictures, either on a whole set or subsets divided by classes (dividing the pictures to groups by objects of interest that can be found in them). Output of methods with different attribute settings was compared to outliers found by team members using confusion matrix and F1-score. The results were not very positive, no significant relationships were found between anomalies found by team members and by anomalies found by individual methods. Possible reasons for this are discussed.
Návaznosti
MUNI/A/0854/2017, interní kód MUNázev: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII.
Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 18. 7. 2024 05:21