Dokument: Self-Supervised Representation learning for Anomaly Detection

Titel:	Self-Supervised Representation learning for Anomaly Detection
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=63116
URN (NBN):	urn:nbn:de:hbz:061-20230717-131947-8
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Rafiee, Nima [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 29,20 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 07.07.2023 / geändert 10.07.2023
Beitragende:	Kollmann, Markus [Betreuer/Doktorvater] Prof. Dr. Dickscheid, Timo [Gutachter]
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	Machine learning in general and deep learning, in particular, has been recognized with various predictive and descriptive applications. Object detection, data clustering, and classifying samples into predefined categories are only some tasks in which promising results have been achieved using machine learning approaches. Another important application is Out-of-distribution (OOD) or anomaly detection. In General, anomaly detection refers to the problem of detecting whether or not a sample belongs to the distribution of an already seen training dataset. Anomaly detection has gained a lot of applications in real-world problems such as detecting anomalous items in manufacturing production lines using image processing, medical diagnosis in medical imaging, detecting abnormalities in internet traffic, and so on. Similar to other areas, machine learning approaches, including supervised and unsupervised methods, have been extensively leveraged for the task of anomaly detection. However, significant challenges and limitations with these two methods have remained untackled. Recently self-supervised methods have been introduced aiming at learning a representation from data that benefits diverse downstream tasks, including anomaly detection. The main focus of this thesis is to introduce and study the use of these methods for the task of anomaly detection in natural object-centric and medical images. In particular, some limitations of supervised methods, such as the lack of annotated data and the likelihood score issue of the unsupervised method, have been tackled. Das maschinelle Lernen im Allgemeinen und das Deep Learning im Besonderen haben sich bei verschiedenen prädiktiven und beschreibenden Anwendungen bewährt. Die Erkennung von Objekten, das Clustering von Daten und die Klassifizierung von Proben in vordefinierte Kategorien sind nur einige der Aufgaben, bei denen mit Ansätzen des maschinellen Lernens vielversprechende Ergebnisse erzielt wurden. Eine weitere wichtige Anwendung ist die Out-of-distribution (OOD) oder Anomalie-Erkennung. Im Allgemeinen bezieht sich die Erkennung von Anomalien auf das Problem, zu erkennen, ob eine Probe zur Verteilung eines bereits gesehenen Trainingsdatensatzes gehört oder nicht. Die Erkennung von Anomalien hat in der Praxis viele Anwendungen gefunden, z. B. die Erkennung von anomalen Objekten in Fertigungsstraßen mit Hilfe der Bildverarbeitung, die medizinische Diagnose in der medizinischen Bildgebung, die Erkennung von Anomalien im Internetverkehr usw. Ähnlich wie in anderen Bereichen wurden Ansätze des maschinellen Lernens, einschließlich überwachter und unüberwachter Methoden, in großem Umfang für die Erkennung von Anomalien eingesetzt. Allerdings gibt es bei diesen beiden Methoden erhebliche Herausforderungen und Einschränkungen, die bisher nicht angegangen wurden. Kürzlich wurden selbstüberwachte Methoden eingeführt, die darauf abzielen, eine Repräsentation von Daten zu erlernen, die verschiedenen nachgelagerten Aufgaben, einschließlich der Erkennung von Anomalien, zugute kommt. Das Hauptaugenmerk dieser Arbeit liegt auf der Einführung und Untersuchung des Einsatzes dieser Methoden für die Erkennung von Anomalien in natürlichen, objektzentrierten und medizinischen Bildern. Insbesondere wurden einige Einschränkungen der überwachten Methoden, wie das Fehlen kommentierter Daten und das Problem der Likelihood-Scores der unüberwachten Methode, in Angriff genommen.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:	17.07.2023
Dateien geändert am:	17.07.2023
Promotionsantrag am:	17.11.2022
Datum der Promotion:	11.05.2023