自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集,并提出了一种基于分割的异常检测器,其在该数据集上表现出先进性能。
May, 2024
本文介绍了 AutoPatch,将神经架构搜索应用到分割视觉异常的复杂任务中。提出了加权平均精度(wAP)作为替代 AUROC 和 AUPRO 的度量标准,并提出了一种新的神经架构搜索方法,能够在没有任何训练的情况下高效地进行视觉异常分割。在 MVTec 数据集上,AutoPatch 优于当前最先进的方法 PatchCore,仅使用每个异常类型的一个样本的条件下,FLOPS 少 18 倍以上。
Apr, 2023
本文首次考虑图像感应异常检测中的标签级噪声问题,提出了一种基于记忆的无监督异常检测方法 SoftPatch,该方法能够有效地去噪,并在补丁级别上生成异常分数以软化异常检测边界,在各种噪声场景下,SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法,在无噪声设置下与其他方法效果相当。
Mar, 2024
通过自监督学习和视觉变换网络,提出一种用于视频异常检测的方法,能够有效地保留视频帧的空间和时间上的一致性,并且在三个公共基准测试中表现优于像素生成方法和其他自监督学习方法。
本篇研究提出了一种基于深度图流支持向量数据描述的方法,针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰,采用变分图自编码器模型并建立加权属性图以及超球面,其在各项实验中表现优异,将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。
Feb, 2023
该研究提出了一种新的半监督异常检测方法 DASVDD,该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来,提出了一种异常度量方法,能够在训练期间学习正常类的分布,实验结果表明,该方法优于当前常用的最先进的异常检测算法,而且在不同的异常类别之间表现出强大的鲁棒性。
Jun, 2021
该研究提出了一种新的无监督方法来选择高斯核带宽值,其利用核矩阵的低秩表示来建议带宽值,该方法在低维数据上与现有技术相当,对许多类高维数据表现极好。
Nov, 2018
我们提出了一种防御机制,利用聚类技术 DBSCAN 来分离异常图像片段,并通过三阶段流程对敌对噪声进行定位和减轻,进而中和其效果。该防御机制在多个模型和数据集上验证,证明其在对抗性贴片攻击中的有效性,显著提高了准确性。
Feb, 2024
本文提出了一种新型的异常分割网络(AnoSeg),能够使用自监督学习直接生成准确的异常图,并通过像素精度和对抗损失以及坐标通道拼接等三种新技术保证异常分割的高精度性能。我们的实验表明,该方法优于目前 MVTec AD 数据集上的现有异常检测和异常分割方法,通过 IoU 指标也证明了其在异常分割方面的优越性。
Oct, 2021
提出了一种测试时间训练策略来改善异常检测与分割的分割性能,并通过在 MVTec AD 和 MVTec 3D-AD 上进行广泛的实验和评估来证明了该策略的有效性。
Apr, 2024