May, 2019

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

PDF
TL;DR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。
unsupervised learninganomaly detectiongenerative adversarial networkscontaminated datalatent space
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

  • 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

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

    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。

    Jan, 2019

  • 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

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018

  • 用 GAN 集成方法进行异常检测

    使用生成对抗网络集成的方法提高无监督学习下的异常检测性能，通过实验验证集成的优越性。

    Dec, 2020

  • 通过对抗学习连续噪声损坏实现的强大半监督异常检测

    这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

    Mar, 2023

  • 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

  • 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

  • 通过对抗性双自编码器实现异常检测

    介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

    Feb, 2019