本文提出一种基于预训练特征的异常检测框架 (CAP)，该框架通过线性投影头将输入数据和最相似的预训练正常数据匹配，并采用改进的自注意力机制挖掘单类语义特征之间的内在关系，以避免潜在的模式折叠问题，实现了语义异常检测和感知异常检测基准上的最优性能，如 CIFAR-100 数据集上的 96.5％ AUROC，CIFAR-10 数据集上的 97.0％ AUROC 和 MvTec 数据集上的 89.9％ AUROC。

Dec, 2021

本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。

Feb, 2022

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。

May, 2020

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

提出了 Coupled-hypersphere-based Feature Adaptation (CFA) 方法，它通过特征自适应到目标数据集来实现对异常数据的准确定位及区分，CFA 采用可学习的补丁描述符和可扩展的内存库，结合预训练 CNN 进行传递学习，实验证明其在异常检测和定位方面取得了优异的性能，最高 AUROC 分别达到 99.5％和 98.5％。

Jun, 2022

本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。

Nov, 2018

本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

Jul, 2017

在这项研究中，我们提出了一种简单的与类别无关的自适应特征适应方法（CA2），通过在未知类别情况下推广中心化方法并基于预训练网络的现有目标进行优化，证明 CA2 能够提高从 1 到 1024 个训练数据类别的一类分类性能，超越当前最先进的方法。

Sep, 2023

本文介绍了一种新的架构和方法，用于无监督目标识别，自动提取 CNN 模型中的特征，并将其与基于 Hopfield 网络的联想记忆库结合使用，消除了监督深度学习中的反向传播，提供了良好性能。

May, 2018

利用自监督学习针对文本语料库制定预文本任务的方法，根据最新研究成果，大幅提高了半监督和无监督异常检测的效果，并证明了自监督异常检测在自然语言处理领域中的潜力。

Dec, 2023