Meta aprendizado para detecção de anomalias em imagens
| Ano de defesa: | 2022 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
UFPE Brasil Programa de Pos Graduacao em Ciencia da Computacao |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://repositorio.ufpe.br/handle/123456789/45616 |
Resumo: | A detecção de anomalias é uma tarefa relevante em diversos problemas do mundo real, com aplicação em diversas áreas e setores do mercado, como medicina, segurança, finanças, monitoramento, controle de ambientes, inspeção industrial, entre outros. Como exemplos, algumas situações enfrentadas diariamente em que algo pode ser ‘anormal’ ou fora do comum são acidentes de trânsito, detecção de doenças, fraudes em transações de cartão de crédito e assim por diante. Trata-se de um problema desafiador, uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento que não esteja em conformidade com um padrão de comportamento considerado normal pode ser visto como uma anomalia. Apesar de avanços em trabalhos recentes na detecção automática de anomalias assim como na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias em imagens, quando somente amostras sem anomalias estão disponíveis e são consideradas no treinamento dos modelos. Além disso, considera-se como motivação cenários onde não há abundância de dados e apenas uma quantidade pequena de amostras está disponível para o treinamento. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos estado-da-arte na base de dados MVTec-AD, demonstrando resultados superiores em 29 dos 45 casos avaliados nas tarefas de detecção de anomalias em objetos e texturas nunca vistos em treinamento. |
| id |
UFPE_3ea2acc160c3b7cc183c29b2651ae84c |
|---|---|
| oai_identifier_str |
oai:repositorio.ufpe.br:123456789/45616 |
| network_acronym_str |
UFPE |
| network_name_str |
Repositório Institucional da UFPE |
| repository_id_str |
|
| spelling |
Meta aprendizado para detecção de anomalias em imagensInteligência computacionalRedes neuraisDetecção de anomaliasMeta aprendizadoA detecção de anomalias é uma tarefa relevante em diversos problemas do mundo real, com aplicação em diversas áreas e setores do mercado, como medicina, segurança, finanças, monitoramento, controle de ambientes, inspeção industrial, entre outros. Como exemplos, algumas situações enfrentadas diariamente em que algo pode ser ‘anormal’ ou fora do comum são acidentes de trânsito, detecção de doenças, fraudes em transações de cartão de crédito e assim por diante. Trata-se de um problema desafiador, uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento que não esteja em conformidade com um padrão de comportamento considerado normal pode ser visto como uma anomalia. Apesar de avanços em trabalhos recentes na detecção automática de anomalias assim como na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias em imagens, quando somente amostras sem anomalias estão disponíveis e são consideradas no treinamento dos modelos. Além disso, considera-se como motivação cenários onde não há abundância de dados e apenas uma quantidade pequena de amostras está disponível para o treinamento. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos estado-da-arte na base de dados MVTec-AD, demonstrando resultados superiores em 29 dos 45 casos avaliados nas tarefas de detecção de anomalias em objetos e texturas nunca vistos em treinamento.Anomaly detection is a crucial task in a variety of real-world problems, with appli- cations in several areas and market sectors, such as health, medicine, security, finance, monitoring, environment control, industrial inspection, among others. For example, some situations faced on a daily basis where something might be considered ’abnormal’ or out of the ordinary are traffic accidents, detection of illness, fraud in credit card transactions, and so on. Considered a challenging problem, since the definition of ‘anomaly’ is ambigu- ous, in other words, any event that doesn’t conform to the behavior considered ‘normal’ can be seen as an anomaly. Despite the great advances in recent works in anomaly de- tection as well as in the area of Deep Neural Networks, such models still demand a large amount of data to take advantage of its expressiveness and performance. Therefore, the present work introduce a new approach to the semi-supervised image anomaly detection, when only ‘normal’ samples are considered in the training of the models. In addition, its considered as motivation scenarios where there is no abundance of data and only a small amount of samples are available in training. Using meta-learning techniques, in particular MAML, the proposed approach is compared with other state-of-the-art algorithms in the MVTec-AD database, showing superior results in 29 of the 45 cases evaluated in the tasks of detecting anomalies in objects and textures never seen in training.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoVASCONCELOS, Germano Crispimhttp://lattes.cnpq.br/5546309333034464http://lattes.cnpq.br/5943634209341438COSTA, Esdras Souto2022-08-11T11:10:35Z2022-08-11T11:10:35Z2022-02-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOSTA, Esdras Souto. Meta aprendizado para detecção de anomalias em imagens. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/45616porhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2022-08-12T05:15:20Zoai:repositorio.ufpe.br:123456789/45616Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-08-12T05:15:20Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
| dc.title.none.fl_str_mv |
Meta aprendizado para detecção de anomalias em imagens |
| title |
Meta aprendizado para detecção de anomalias em imagens |
| spellingShingle |
Meta aprendizado para detecção de anomalias em imagens COSTA, Esdras Souto Inteligência computacional Redes neurais Detecção de anomalias Meta aprendizado |
| title_short |
Meta aprendizado para detecção de anomalias em imagens |
| title_full |
Meta aprendizado para detecção de anomalias em imagens |
| title_fullStr |
Meta aprendizado para detecção de anomalias em imagens |
| title_full_unstemmed |
Meta aprendizado para detecção de anomalias em imagens |
| title_sort |
Meta aprendizado para detecção de anomalias em imagens |
| author |
COSTA, Esdras Souto |
| author_facet |
COSTA, Esdras Souto |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
VASCONCELOS, Germano Crispim http://lattes.cnpq.br/5546309333034464 http://lattes.cnpq.br/5943634209341438 |
| dc.contributor.author.fl_str_mv |
COSTA, Esdras Souto |
| dc.subject.por.fl_str_mv |
Inteligência computacional Redes neurais Detecção de anomalias Meta aprendizado |
| topic |
Inteligência computacional Redes neurais Detecção de anomalias Meta aprendizado |
| description |
A detecção de anomalias é uma tarefa relevante em diversos problemas do mundo real, com aplicação em diversas áreas e setores do mercado, como medicina, segurança, finanças, monitoramento, controle de ambientes, inspeção industrial, entre outros. Como exemplos, algumas situações enfrentadas diariamente em que algo pode ser ‘anormal’ ou fora do comum são acidentes de trânsito, detecção de doenças, fraudes em transações de cartão de crédito e assim por diante. Trata-se de um problema desafiador, uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento que não esteja em conformidade com um padrão de comportamento considerado normal pode ser visto como uma anomalia. Apesar de avanços em trabalhos recentes na detecção automática de anomalias assim como na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias em imagens, quando somente amostras sem anomalias estão disponíveis e são consideradas no treinamento dos modelos. Além disso, considera-se como motivação cenários onde não há abundância de dados e apenas uma quantidade pequena de amostras está disponível para o treinamento. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos estado-da-arte na base de dados MVTec-AD, demonstrando resultados superiores em 29 dos 45 casos avaliados nas tarefas de detecção de anomalias em objetos e texturas nunca vistos em treinamento. |
| publishDate |
2022 |
| dc.date.none.fl_str_mv |
2022-08-11T11:10:35Z 2022-08-11T11:10:35Z 2022-02-15 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
COSTA, Esdras Souto. Meta aprendizado para detecção de anomalias em imagens. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. https://repositorio.ufpe.br/handle/123456789/45616 |
| identifier_str_mv |
COSTA, Esdras Souto. Meta aprendizado para detecção de anomalias em imagens. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. |
| url |
https://repositorio.ufpe.br/handle/123456789/45616 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco UFPE Brasil Programa de Pos Graduacao em Ciencia da Computacao |
| publisher.none.fl_str_mv |
Universidade Federal de Pernambuco UFPE Brasil Programa de Pos Graduacao em Ciencia da Computacao |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
| instname_str |
Universidade Federal de Pernambuco (UFPE) |
| instacron_str |
UFPE |
| institution |
UFPE |
| reponame_str |
Repositório Institucional da UFPE |
| collection |
Repositório Institucional da UFPE |
| repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
| repository.mail.fl_str_mv |
attena@ufpe.br |
| _version_ |
1856041959295025152 |