利用对抗自编码器进行生成式概率新颖性检测
通过线性化保持内点分布结构的流形,我们计算新颖性概率,并在网络的训练协议上进行改进,证明我们的方法在学习目标类别方面是有效的,并在几个基准数据集上优于最新的先进方法。
Apr, 2024
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法,通过最大似然优化与正常样本重建相结合的方式,成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能,而且不做任何新奇性的假设,可适用于各种不同的场景。
Jul, 2018
本文提出了一种基于生成式对抗网络的端到端架构,用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题,其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明,该方法有效地学习了目标类,并优于基线和最先进的方法。
Feb, 2018
文章提出一种基于 VAE 的新颖性检测方法,使用该方法可以检测出多发性硬化症的扩散 MRI 扫描中的异常区域,并且在 MNIST 手写数字数据集上取得了优于现有方法的效果。
Jun, 2018
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法,通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较,实验结果表明该方法优于那些算法。
Jan, 2021
本研究通过基于自编码器的深度神经网络,在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测,并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明,新物理基准可能具有高效的识别能力。
Jul, 2018
通过使用基于生成式对抗网络的方法,我们提出了一种用于同时分类和新颖性检测的多分类判别器,通过从名义和新颖的数据分布混合中生成样本,对于新颖性检测具有最优性能,并且实验结果表明,该方法优于传统方法。
Feb, 2018
本文提出了一种新的鲁棒性较高的异常检测方法,使用改进过的 Variational Autoencoder (VAE) 模型,在处理高度噪声的训练数据时具有较好的鲁棒性,并在标准基准测试中取得了最新的成果。
Jun, 2020
本研究提出了一种简单而高效的基于重构的方法,用于检测计算机视觉中的分类外样本,该方法不仅具有比 GAN 等模型更好的性能,还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上,我们的模型在检测新奇样本方面实现了比现有方法显着的改进。
Oct, 2022