Jan, 2019

Skip-GANomaly: 跳跃连接和对抗训练的编码器 - 解码器异常检测

PDF
TL;DR介绍了一种基于无监督学习、卷积神经网络和图像处理的异常检测方法，该方法对于高维的图像空间和低维的潜在空间都有很好的重构表现，更适合处理训练数据高度不平衡的真实场景数据。在 X 光安全筛查等领域通过基准实验和实际应用均展现了出色的性能。
发现论文，激发创造
  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • 使用同时编码器训练从受污染的图像数据中无监督地学习异常检测

    本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法，能够在污染数据的情况下识别图像中的异常，并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。

    May, 2019

  • 双编码器双向生成对抗网络用于异常检测

    该研究提出了一种基于双编码器的双向 GAN 架构，通过学习机制，将循环一致性问题降至最小，有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好，并成功应用于大脑磁共振异常检测系统。

    Dec, 2020

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

    本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

    Aug, 2020

  • 使用对抗自编码器实现图像中的稳健异常检测

    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

  • GAN 在异常检测中的应用综述

    本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

    Jun, 2019

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了 sample-efficient 考虑，实现了对少量标注样本的训练，并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • Fence GAN: 更好的异常检测

    本研究介绍了一种用于检测高维异常数据的方法 ——Fence GAN，它通过修正基于生成式对抗网络（GAN）的损失函数，将生成的样本限制在真实数据分布的边界上，并且将判别器的评分直接用作异常阈值，实验结果表明，与现有方法相比，Fence GAN 可以获得最好的异常分类准确性。

    Apr, 2019

  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017