Aug, 2020

通过建立感知特征模型进行异常检测定位

PDF
TL;DR本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。
unsupervised generative modelingvariational autoencoderanomaly detectionconvolutional neural networkmvtec
发现论文，激发创造
  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 利用变分自编码器实现皮肤疾病图像的异常检测

    本文介绍使用变分自编码器（VAE）来检测皮肤病图像异常状况的潜力。作者使用深度生成模型训练只有正常数据的 VAE，并在 ISIC2018 挑战疾病分类数据集（任务 3）上进行实验，取得了 0.779 的 AUCROC，证明该模型是有效的。同时，作者还尝试将该模型应用于检测具体疾病类型，如黑色素瘤和色素性角化，取得了 0.864 和 0.872 的 AUCROC。这是目前文献中首次尝试使用深度生成模型检测皮肤病图像异常情况。

    Jul, 2018

  • 用于现实世界异常分类的潜在空间群集调节

    自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器，我们将其潜在空间设为条件，将样本分类为正常数据或异常数据。为了特别强调小的异常，我们进行了实验，在额外的输入中提供了差异图，并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中，同时还能重构高质量的图像，从而产生有意义的潜在表示。

    Sep, 2023

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 高斯混合全卷积变分自编码器实现视频异常检测和定位

    提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

    May, 2018

  • 通过稳健的变分自编码实现新颖性检测

    本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

    Jun, 2020

  • 去偏 VAE 似然度进行稳健的异常值检测

    通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正 VAE 似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且性能更佳，轻量的修复程序就能够实现 VAE 的强健异常检测。

    Aug, 2021

  • 利用向量量化变分自编码器恢复潜空间进行异常检测

    通过使用 VQ-VAEs 结合密度和基于恢复的方法，我们提出一种识别实现无监督异常检测的新方法，该方法通过对图像进行编码将概率分布建模，并将不常见的编码替换为从先验分布中采样的编码集合，通过对生成的恢复图像和原始图像之间的平均 L1 距离度量像素级的异常得分，我们对 MOOD 挑战数据集进行了测试，相比具有 VAEs 的标准重建方法，我们的方法具有更高的准确性。

    Dec, 2020