Dec, 2020

DFR: 无监督异常分割的深度特征重建

PDF
TL;DR本文提出了一种基于无监督分割的异常检测方法，使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征，借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测，该方法在多个基准数据集上取得了最新技术进展，并具有实际应用潜力。
anomaly detectionunsupervised segmentationimage processingdeep convolutional networksregional feature generator
发现论文，激发创造
  • 无监督异常定位的子空间感知特征重构

    我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

    Sep, 2023

  • 一种分层特征重构的自编码器用于无监督异常检测

    无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

    May, 2024

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024

  • 用深度自编码模型进行脑 MR 图像无监督异常分割

    本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

    Apr, 2018

  • 通过建立感知特征模型进行异常检测定位

    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。

    Aug, 2020

  • 基于深度学习的图像补全进行异常检测

    通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

    Nov, 2018

  • 应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

    本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

    Apr, 2020

  • DSR -- 用于表面异常检测的双子空间重新投影网络

    提出了一种基于量化特征空间表示和双解码器的架构，称为 DSR，它避免了图像级异常合成需求，通过对学习的量化特征空间进行采样，在特征级别上生成异常，从而实现对分布接近的异常的控制生成，在 KSDD2 和 MVTec 异常检测数据集上取得最新成果。

    Aug, 2022

  • 无监督皮肤特征跟踪深度神经网络

    使用卷积自编码器进行人脸特征追踪，无监督学习方法在不同运动条件下表现出优异的追踪精度和卓越的特征描述子，比传统和最新的监督学习方法更具优势。

    May, 2024

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021