使用变分自动编码器进行无监督异常定位
本研究提出了一种基于深度学习自编码器的未监督学习方法,结合了重构与密度计算的异常得分方法,成功地应用于医学影像的异常检测,并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。
Dec, 2018
本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型,该模型不仅在像素空间中重构输入图像,而且还在多个不同的特征空间中进行重构,通过对先前训练的卷积神经网络进行计算,对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。
Aug, 2020
本文介绍使用变分自编码器(VAE)来检测皮肤病图像异常状况的潜力。作者使用深度生成模型训练只有正常数据的 VAE,并在 ISIC2018 挑战疾病分类数据集(任务 3)上进行实验,取得了 0.779 的 AUCROC,证明该模型是有效的。同时,作者还尝试将该模型应用于检测具体疾病类型,如黑色素瘤和色素性角化,取得了 0.864 和 0.872 的 AUCROC。这是目前文献中首次尝试使用深度生成模型检测皮肤病图像异常情况。
Jul, 2018
提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法,应用于脑 MR 图像中的胶质瘤本地化任务,结果表明该方法显著优于其他基于 VAE 的异常检测方法(平均 DICE 0.640 vs 0.518),同时需要更少的计算时间。
Jun, 2021
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
应用生成型 AI 模型 VAEs 对肺癌病灶进行研究,通过聚类分析和 MLP 分类器模型,在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度,同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析,最后展示了潜在空间遍历在临床上具有潜在的特征变化。
Nov, 2023
本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性,通过最小化 Kullback-Leibler(KL)散度来实现;实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。
May, 2021
本文提出了一种统一的概率模型,用于学习成像数据的潜在空间并执行监督回归,利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄,实现了对人脑结构发育规律的直观解释。
Apr, 2019
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
结合深度变分自编码器(VAEs)和自监督学习(SSL)的新型生成框架,解决了数据稀缺导致的潜在空洞问题,提高了基于重建的时序异常检测方法的稳健性。
Jan, 2024