Autoencodeurs variationnels à registre de vecteurs pour la détection d'anomalies - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

Autoencodeurs variationnels à registre de vecteurs pour la détection d'anomalies

Abstract

La Détection d'Anomalies (AD) en contexte non-supervisé est une thématique de recherche importante. En pratique, les anomalies ne sont pas connues à l'avance. Dans ce cadre, les Autoencodeurs Variationnels (VAE) constituent une approche très populaire et ont donné naissance aux Autoencodeurs Variationnels à registre de vecteurs (VQ-VAE). Nous présentons une nouvelle approche tirant profit de métriques inhérentes aux VQ-VAE pour l'AD. Dans notre approche, nous calculons une distance entre la sortie de l'encodeur et les vecteurs du registre qui définit l'espace latent. Cette distance vient compléter l'information apportée par une seconde métrique exploitant les capacités de reconstruction du VQ-VAE. Nous évaluons notre modèle sur trois jeux de données et montrons qu'il est compétitif avec d'autres modèles issus de l'état de l'art.
Fichier principal
Vignette du fichier
vqvae_rfiap_final_2.pdf (1.46 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03697359 , version 1 (16-06-2022)

Identifiers

  • HAL Id : hal-03697359 , version 1

Cite

Hugo Gangloff, Minh-Tan Pham, Luc Courtrai, Sébastien Lefèvre. Autoencodeurs variationnels à registre de vecteurs pour la détection d'anomalies. RFIAP 2022 - (Congrès Reconnaissance des Formes, Image, Apprentissage et Perception), Jul 2022, Vannes, France. ⟨hal-03697359⟩
111 View
186 Download

Share

Gmail Facebook X LinkedIn More