本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点,其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。
May, 2022
本文提出了一种 Attribute Information Removal and Reconstruction(AIRR)网络,通过学习如何完全去除属性信息创建不包含属性信息的特征,然后学习在重建图像中直接注入所需属性,以避免信息隐藏问题,并在四个数据集上评估。结果表明,与先前的工作相比,我们的模型平均提高了 10%的属性操作准确性和 top-k 检索率,用户研究也表明 AIRR 操作的图像在高达 76%的情况下优于先前的工作。
Jul, 2022
提出了一种基于重建的方法,利用噪声到规范范式来检测工业质量检测中的异常,通过多尺度融合和残差注意力模块实现端到端的异常检测和定位,在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果,并在 MPDD 数据集上创造了新的最新标准。
Jul, 2023
该论文分析了对训练重建网络起到贡献的模拟异常的关键特征,并基于这些特征提出了综合框架,结合重建方法和分离训练策略,解决了过拟合问题并避免干扰重建过程,评估结果表明该方法在对象类别方面优于现有方法,并证明其在真实场景下遇到各种意外异常具有良好的潜力。
Aug, 2023
本研究提出了一种多特征重建网络(MFRNet),通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建,用于无监督异常检测。实验结果表明,该方法在四个公开数据集和一个自制数据集上表现出色,并明显优于其他状态艺术品。
Apr, 2024
我们提出了一种新颖的子空间感知特征重构框架,用于异常定位,通过学习低维子空间的自表达模型实现自适应特征逼近,从而减少内存需求并实现与最先进方法相媲美的异常定位性能。
Sep, 2023
计算机视觉中,使用深度学习方法中仍存在的问题是异常检测无法被实时发现,并且在进行异常标注的时候,需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题,通过训练一个滑动型视觉变压器来提高准确性,使得半监督学习成为可能,并且进一步通过引入新的数据增强方法来降低标注成本,经过实验证明,该方法表现优于当前最先进的方法。
Jun, 2023
本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法,该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常,并在七个基准数据集上超越目前最先进的方法。
Feb, 2021
本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法,使用基于物体中心的卷积自编码器编码运动和外观信息,并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验,结果显示此方法超过现有技术的结果。
Dec, 2018
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