Détection d'anomalies

Résumé

Dans l'exploration de données, la détection d'anomalies (en anglais, anomaly detection ou outlier detection) est l'identification d'éléments, d'événements ou d'observations rares qui soulèvent des suspicions en différant de manière significative de la majorité des autres données. Généralement, les anomalies indiquent un problème tel qu'une fraude bancaire, un défaut structurel, un problème médical ou une erreur dans un texte. Les anomalies sont également appelées des valeurs aberrantes, du bruit, des écarts ou des exceptions. Dans le contexte de détection d'intrusions sur un réseau informatique, les objets intéressants ne sont souvent pas des objets rares, mais des pics d'activités inattendus. Ce modèle n'adhère pas à la définition d'une anomalie en tant qu'objet rare et de nombreuses méthodes de détection d'anomalies (en particulier, des méthodes non supervisées) échouent à identifier ces anomalies, à moins que les anomalies aient été agrégées de manière appropriée.

Source officielle

https://fr.wikipedia.org/wiki/D%C3%A9tection_d'anomalies

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (82)

Publications associées

Chargement

Personnes associées (11)

Personnes associées

Chargement

Unités associées (7)

Unités associées

Chargement

Concepts associés (10)

Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiq

L’exploration de données, connue aussi sous l'expression de fouille de données, forage de données, prospection de données, data mining, ou encore extraction de connaissances à partir de données, a po

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neur

Afficher plus

Concepts associés

Chargement

Cours associés (24)

Cours associés

Chargement

Séances de cours associées (34)

Séances de cours associées

Chargement

Automation of the diagnosis process in the railway system : Detection of defects in concrete sleepers using vision-based machine learning models

Linah Charif

inspectors that walk over the track and check the defects on the rail surface, fasteners and sleepers. In the case of concrete sleepers, rail inspectors classify defects according to their size and occurrence over 20 sleepers. The manual inspection is error prone, it is time consuming and it can be sometimes risky. In an eort to overcome these issues, SBB has developed a project called AISI (Articial Intelligence Streckeninspection) in order to automatize the rail inspection by collecting and analysing images with diagnosis trains equipped with cameras. The objective of this thesis is integrated within the AISI Project, since its goal is the conception of a deep learning model to detect and classify concrete sleepers defects using computer vision and more specically, object detection. The defects studied in this thesis are cracks and akings (or spallings). In the literature, many researchers have tackled the subject of defect detection in concrete, especially in civil infrastructures. The most common methods a combination of image-processing and Machine Learning (image pre-processing and a classier) whereas the latest methods use deep learning (CNN, FCN and RPN, YOLO). The proposed methodology uses a Fast-RCNN model developed with Tensor ow Object Detection API. The evaluation of the model is given on a total of 996 defects and its precision and recall are given. The model shows average results as the number of false positives is high. It has been noted that the labels provided needed to be improved. The proposed approach has a great potential of development since a large amount of training data can be added thanks to the produced relabelling process. Also, the designed pipeline establishes a base that can be adjustable for various algorithms and congurations.

2021

Chargement

Two-level Data Augmentation for Calibrated Multi-view Detection

Martin Pierre Engilberge, Pascal Fua, Haixin Shi, Zhiye Wang

Data augmentation has proven its usefulness to improve model generalization and performance. While it is commonly applied in computer vision application when it comes to multi-view systems, it is rarely used. Indeed geometric data augmentation can break the alignment among views. This is problematic since multi-view data tend to be scarce and it is expensive to annotate. In this work we propose to solve this issue by introducing a new multi-view data augmentation pipeline that preserves alignment among views. Additionally to traditional augmentation of the input image we also propose a second level of augmentation applied directly at the scene level. When combined with our simple multi-view detection model, our two-level augmentation pipeline outperforms all existing baselines by a significant margin on the two main multi-view multi-person detection datasets WILDTRACK and MultiviewX.

2023

Chargement

A machine learning-assisted building electricity consumption profiling for anomaly detection

Dan Assouline, Roberto Castello, Margherita Guido, Daniele Hamm, Dasaraden Mauree, Jean-Louis Scartezzini, Michele Vidulis, Nicolas Zwahlen

2020

Chargement