本文提出了一种基于无监督学习的异常检测方法,其中使用内存模块记录正常数据的原型模式,并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好,优于现有技术。
Mar, 2020
这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常,并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练,然后在小规模、单变量或多变量数据集上进行微调,同时针对多变量情况,介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。
May, 2019
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
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
本文提出一种深度卷积神经网络 (CNN),用于监控视频中的异常检测,该网络能够对每帧视频提供异常评估分数,实验结果与现有研究相竞争。
Aug, 2019
本文提出了一个使用转移学习的 ConvNet 模型,用于网络入侵检测,实验结果表明该模型可以提高检测准确度,不仅在主要攻击已知的测试数据集上(KDDTest +),而且在包含许多新攻击的测试数据集上(KDDTest-21)也有显着提升 -- 与传统 ConvNet 模型相比,在 KDDTest + 上提高了 2.68%,在 KDDTest-21 上提高了 22.02%。
Sep, 2019
本文基于卷积神经网络、时间序列数据,提出了一种有效的视频异常检测与定位方法,通过实验结果表明该方法在准确性方面胜过现有方法。
Sep, 2016
减小理论假设与实际训练数据之间的差距,并提出一个学习框架来改进正常性表示,通过识别样本的正常性,并在训练过程中迭代更新样本的重要性权重。还提出了终止条件,受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明,该框架提高了三种典型异常检测方法的鲁棒性。
Sep, 2023
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
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
Jul, 2023