May, 2020

预训练深度特征中正常数据分布的建模用于异常检测

PDF
TL;DR本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。
anomaly detectioncomputer visiondeep learningtransfer learningmultivariate gaussian
发现论文，激发创造
  • 通过微调表示来实现高斯异常检测的迁移学习

    本文提出一种新的方法，利用联合生成和判别建模构建一个多元高斯分布来解决传输学习中的灾难性遗忘问题，并将其用于异常检测任务中。实验结果表明该方法在异常检测任务中达到了新的最优性能，并与先前的成果相比实现了可比较的异常分割性能。

    Aug, 2021

  • 多元高斯图像异常检测可视化

    本文介绍了 PaDiM 方法的简化，使用单变量高斯分布拟合从卷积神经网络中提取的特征向量，将它们的马氏距离作为异常值评分，并通过执行白化转换生成能够可视化 MVG 学到特征的热图，MVTec-AD 数据集的实验结果表明，视觉模型验证的重要性，提供了这个框架中，本来无法察觉的问题的见解。本文生成的可视化结果可以通过公开链接获得。

    Jul, 2023

  • 深度异常检测中的假设重新思考

    本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

    May, 2020

  • 图像异常检测的启发式超参数选择

    图像中的异常检测是一个基本的计算机视觉问题，我们提出了一种减少特征维度的算法，并利用预训练模型提取的深层特征进行异常检测，以提高性能和降低计算成本。

    Jul, 2023

  • 超越熟悉特征的深度异常检测

    使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

    Oct, 2023

  • 利用几何变换的深度异常检测

    针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。

    May, 2018

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了 sample-efficient 考虑，实现了对少量标注样本的训练，并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • 利用正常模型的转移学习框架进行异常检测

    本文提出了一种基于相似性度量将深度卷积神经网络作为特征提取器用于异常检测的迁移学习框架，并通过对工作点决策阈值的优化来提高检测准确率。

    Nov, 2020

  • 少样本在线异常检测和分割

    该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

    Mar, 2024

  • 在线自适应异常检测用于飞机装配中的缺陷识别

    在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

    Jun, 2024