본문 바로가기

분류 전체보기

(290)
[논문 읽기] Anomaly Detection in Video Sequence with Appearance-Motion Correspondence 특정 시간 t의 비디오 프레임이 입력값으로 주어지면, 인코더를 통해 인코딩 된다. 그리고 디코더는 2개인데, 인코딩된 코드를 입력값과 같게 복원하는 디코더와, t와 t+1 시간 사이의 움직임을 예측하는 디코더로 이루어져있다. 원래 형상을 복원하는 appearance spatial structure에는 u-net의 skip connection을 사용하지 않음, 그렇게 되면 초기 입력 정보의 연결만 흘러보내게 되고, 인코딩을 제대로 학습하지 않을 수도 있기 때문이다. 모션 예측에는 skip connection을 이용 (초기 low level feature들인 엣지, 이미지 펫치 등을 전달하여 image translation 시 유용하기 때문이다.) 3.2. Appearance convolutional aut..
[논문 읽기] Anomaly Detection using Convolutional Spatiotemporal Autoencoder 공간 특징을 표현하기위한 네트워크와 시간적 경과를 표현하기 위한 네트워크로 구성되어 있다. 그래서 Spatio Temporal 이다. 심플한 논문 비정상 행동 비디오가 들어오면 reconstruction error가 임계값 보다 높게 나올테고, 이를 비정상으로 분류하는 것이다.
[논문 읽기] Ground and Multi-Class Classification of AirborneLaser Scanner Point Clouds Using FullyConvolutional Networks 3d point cloud 에서 DTM을 뽑아내는데 딥러닝을 이용한다. DTM은 Digital Terrain Model의 약자로 건물이나 식물들이 없는 평평한 지형의 고도값을 픽셀로 하여 시각화한 이미지를 말한다. 이런 작업을 하기 위해 우선 3d point cloud를 다차원 이미지로 투영시킨다. 그리고 FCN(segmentation에서 쓰이는 딥러닝 아키텍쳐 구조)을 통해 지형인 포인트, 지형이 아닌 포인트를 분류해준다. 성능을 여러 방법들과 비교해본다. 1. Introduction Although the CNN-based method can produce accurate classifications, the point-to-image conversion is inefficient due to hig..
[논문 읽기] Pixel-wise Anomaly Detection in Complex Driving Scenes 최근의 연구들은 비정상 지역을 확인하거나, 입력 이미지와의 이질감을 발견하기 위한 세그멘테이션 라벨맵으로 재합성하기 위해 세그멘테이션 불확실성을 이용하였다. 이 논문에선, 이 두 가지 방법이 추가 정보를 포함하고 있고 합쳐지면 더 비정상 세그멘테이션 과제에서 더 robust한 예측을 할 수 있다는 걸 설명한다. 픽셀별 비정상 탐지 프레임워크를 제시하는데, 이는 불확실성 맵을 이용해서 기존 재합성 방법(입력과 생성 이미지 사이의 이질감을 발견하는 방법)을 보다 향상 시킨다. - 기존에 있던 불확실성과 재합성 방법론의 가장 좋은 특징만을 잘 활용한 우수한 방법이다. - 다양한 비정상 시나리오에도 높은 성능을 나타낸다. - 다른 세그멘테이션 합성 네트워크에도 wrapper로써 일반화가 가능한 프레임워크다. -..
[논문 읽기] TadGAN (Time Series Anomaly Detection UsingGenerative Adversarial Networks) - 2 Generator가 2개 있는데 $$\varepsilon $$와 G가 그것이다. $$\varepsilon $$은 인코더로 타임 시리즈 데이터를 latent space로 맵핑 시키는 역할을 하고, G는 반대로 디코더의 역할을 한다. $$C_x, C_z$$가 discriminator라고도 알려진 Critic 역할을 하는데, 전자는 실제 타임 시리즈 데이터와 디코더를 통해 생성된 타임 시리즈를 구별해준다. 후자는 latent space로 맵핑이 잘 이루어졌는지를 측정한다. Wasserstein loss (GAN loss) 첫 번째는 GAN loss인데 기존의 banila gan의 loss를 그대로 사용할 경우 mode collapsing 문제에 부닥치게 된다. 따라서 Wassertein loss를 이용한다. ..
[논문 읽기] TadGAN (Time Series Anomaly Detection UsingGenerative Adversarial Networks) - 1 Abstract 현재 비지도 학습 기반 anomaly detection은 스케일링관련 능력과 운반능력? 높은 과검률(high false positive rate)등의 문제를 안고이있다. TadGAN은 LSTM을 생성자(Generator)와 비평가(Critics)에 해당하는 베이스 모델로 사용한다. cycle consistency loss를 이용해서 타임 시리즈 데이터의 reconstruction에 효과적이도록 학습한다. reconstruction error와 critic의 산출물을 조합하여 anomaly score를 계산하는 것 뿐만 아니라 reconstruction error를 계산하는 좋은 방법을 제안한다. Introduction 다변수의 타임 시리즈 데이터가 주어지면, 비지도학습 기반의 모델을 통해..
[pandas] ValueError: Cannot mask with non-boolean array containing NA / NaN values 해결법 1. 문제가 발생하는 원인 조건문으로 mask(True 혹은 False로 이루어진 series) 를 만들고, df[ mask ] 로 df중 mask에 해당하는 row들만 선택할 수 있다. https://study-grow.tistory.com/entry/pandas-%ED%8A%B9%EC%A0%95-%EC%B9%BC%EB%9F%BC%EC%9D%98-%ED%96%89%EC%9D%B4-%EB%AC%B8%EC%9E%90%EC%97%B4%EC%9D%BC-%EA%B2%BD%EC%9A%B0-%ED%8A%B9%EC%A0%95-%EC%A1%B0%EA%B1%B4%EC%9D%84-%EB%A7%8C%EC%A1%B1%ED%95%98%EB%8A%94-%EC%B9%BC%EB%9F%BC%EB%A7%8C-select-%ED%95%9..
[pandas] 특정 칼럼이 문자열로 이루어졌을 경우, 특정 조건을 만족하는 row만 select 하기 sinhan6_ = sinhan6[sinhan6['시군구'].str.contains('종로구|중구|용산구|성동구|광진구|동대문구|중랑구|성북구|강북구|도봉구|노원구|은평구|서대문구|마포구|양천구|강서구|구로구|금천구|영등포구|관악구|서초구|강남구|동작구|송파구|강동구')].reset_index(drop=True) df[column].str.contains 를 쓰고 contains 내에는 ('조건1|조건2|조건3') 방식으로 입력해준다.

728x90