ARAE:对抗性训练的自编码器提高了新颖性检测
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
本论文提出了一种基于 U-Net, 自监督学习的 Jigsaw 拼图预训练及对抗训练技术,用于改善复杂数据集中异常检测的 Autoencoder 的灵活性问题,提高学习效率和准确性。与现有的许多竞争对手相比,该框架稳定、快速、数据高效,并且不需要不合规的提前停止。在各种玩具和现实世界数据集上,达到了竞争力或更好的结果。
Aug, 2020
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
无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器(Patch AE)框架,旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构,即分块重构,确保了自编码器对异常的敏感性。我们的方法简单高效,在 Mvtec AD 基准方面取得了最新的研究成果,证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。
Aug, 2023
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
本文提出了 “对抗自编码器”(AAE),它是一个概率自编码器,使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果,对抗自编码器的解码器学习了一种深度生成模型,将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类,图像风格和内容分离,无监督聚类,降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验,并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。
Nov, 2015
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
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
通过线性化保持内点分布结构的流形,我们计算新颖性概率,并在网络的训练协议上进行改进,证明我们的方法在学习目标类别方面是有效的,并在几个基准数据集上优于最新的先进方法。
Apr, 2024