ICCVApr, 2019

记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

PDF
TL;DR提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。
deep autoencoderanomaly detectionmemory-augmentednormal datareconstruction error
发现论文，激发创造
  • 利用自编码器的弱点生成伪异常数据

    通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

    May, 2024

  • 基于理论的重新思考自编码器在医学异常检测中的应用

    利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

    Mar, 2024

  • 表面缺陷检测的清晰记忆增强自编码器

    本研究提出了一种清晰记忆增强自编码器来解决表面缺陷检测中正负样本极度不平衡的问题。该自编码器采用清晰记忆增强模块 (CMAM) 来修复异常前景并保留清晰背景，同时结合了通用的人工异常生成算法 (GAAGA) 和多尺度特征残留检测算法 (MSFR) 实现精准的缺陷分割。实验结果表明，CMA-AE 在表面缺陷检测方面的性能很好，有很大的实用潜力。

    Aug, 2022

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 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

  • 用深度自编码模型进行脑 MR 图像无监督异常分割

    本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

    Apr, 2018

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 医疗影像无监督异常检测的遮蔽自编码器

    本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法，并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。

    Jul, 2023

  • 用仅包含正常训练数据的正常潜空间约束进行异常检测

    通过引入一种新的潜变量约束损失来限制自动编码器的重构能力，本研究在不增加额外计算成本的情况下，提出了一种有效的限制异常重构能力的自动编码器的方法，从而提高异常检测模型的性能。

    Mar, 2024

  • 学习不重构异常

    本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

    Oct, 2021