深度最近邻异常检测

Feb, 2020

Deep Nearest Neighbor Anomaly Detection

Liron Bergman, Niv Cohen, Yedid Hoshen

TL;DR该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。

Abstract

nearest neighbors is a successful and long-standing technique for anomaly detection. Significant progress has been recently achieved by self-supervised deep methods (e.g. RotNet). Self-supervised features however typically under-perform Imagenet pre-trained features. In this work, we i

nearest neighbors anomaly detection self-supervised deep methods imagenet pretrained features few shot generalization

发现论文，激发创造

k-NNN: 通过邻居的邻居来进行异常检测的最近邻居算法

通过考虑最近邻居和邻居的邻居（k-NNN）提出一种新的算子来提高异常检测算法的性能，在常见的同质数据集（例如具有特定类型的花卉或坚果）和更多样化的数据集上均得到了改进。

May, 2023

最近邻异常检测方法的统计分析

探究最近邻方法在异常检测中的表现，通过综合模拟实验和理论分析得到最近邻方法相对于其他现有算法的优异性，并针对不同维度数据和异常观测提供有限样本一致性保证和分类误差率公式。

Jul, 2019

深度 k 近邻：朝着自信、可解释和鲁棒的深度学习发展

本研究针对深度学习在对抗性环境下的鲁棒性和预测不可解释性等问题，通过将 k-NN 算法与深度学习结合，提出了一种名为 DkNN 的混合分类器，它可以为输入数据提供信心估计和人类可解释的预测解释。实验证明，DkNN 算法可以准确识别模型外部的输入，同时提供直观和有用的模型失败解释。

Mar, 2018

神经最近邻网络

研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

Oct, 2018

邻域发现的无监督深度学习

本文提出了一种通用的无监督深度学习方法，通过发现样本邻域来推理和累计学习潜在的类别决策边界，进而进行分类，实验结果显示该方法在图像分类方面优于先前的无监督学习模型。

Apr, 2019

SimpleShot: 重新审视最近邻分类在少样本学习中的应用

本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。

Nov, 2019

利用深度金字塔对应关系进行子图异常检测

本文提出了一种新的基于多分辨率特征金字塔的异常图像分割方法，该方法利用最近邻方法与深度学习特征相结合，无需预训练，能够取得无监督异常检测和区分最好的效果。

May, 2020

MNN：混合最近邻算法用于自监督学习

通过引入最近邻样本和图像混合操作，该研究提出了一种名为 MNN 的简单自监督学习框架，优化了最近邻样本对正样本语义的影响，展示了在四个基准数据集上出色的泛化性能和训练效率。

Nov, 2023

从朋友那儿获取帮助：最近邻对比学习视觉表示

NNCLR 是一种基于最近邻对比学习的自监督学习算法，将数据集中最近邻作为正样本而不是图像的不同视角，能够提供比预定义的变换更多的语义变化，达到了在 ImageNet 分类和迁移学习基准测试中超越现有先进方法的效果。此外，该方法的鲁棒性能更好，对于数据变换的依赖性更小。

Apr, 2021

深度异常检测的神经转换学习方法

提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

Mar, 2021