Mar, 2021

使用敌对式上下文掩模的一类学习型编码器 - 解码器网络用于新奇性检测

PDF
TL;DR研究了使用新型的自编码器方法来提高新颖性检测，使用 Mask Module 生成最优的遮罩，通过两个竞争的网络来优化输入遮罩，达到了比传统方法更好的效果。
novelty detectiondeep autoencoderscontext autoencodersmask modulereconstructor
发现论文，激发创造
  • 超越已知：对抗自编码器的新颖性检测

    通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

    Apr, 2024

  • 基于对抗学习的一类分类器用于新奇性检测

    本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

    Feb, 2018

  • 利用对抗自编码器进行生成式概率新颖性检测

    该论文基于深度学习编码 - 解码器网络架构，提出了一种概率方法来检测新数据点，并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明，在多个基准数据集上，该方法能够达到最先进水平。

    Jul, 2018

  • OAAE：通过正交潜空间进行多模态正常情况下的新颖性检测的对抗自编码器

    本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法，通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较，实验结果表明该方法优于那些算法。

    Jan, 2021

  • 潜空间自回归用于新颖性检测

    设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。

    Jul, 2018

  • 提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

    表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

    Oct, 2023

  • GAMC: 使用图自编码器与掩码的无监督假新闻检测方法

    利用图自动编码器与掩码和对比学习的 GAMC，一种无监督的假新闻检测技术，通过利用新闻传播的上下文和内容作为自监督信号，消除了对标记数据集的要求，并通过实验验证了方法的有效性。

    Dec, 2023

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 基于连通性重构的新奇性检测

    本研究提出了一种简单而高效的基于重构的方法，用于检测计算机视觉中的分类外样本，该方法不仅具有比 GAN 等模型更好的性能，还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上，我们的模型在检测新奇样本方面实现了比现有方法显着的改进。

    Oct, 2022

  • 上下文编码器：通过修补学习特征

    本研究提出了一种无监督的视觉特征学习方法，称为 Context Encoders，利用卷积神经网络通过上下文预测像素来对图像进行重构，该方法通过重构加对抗性损失双重学习获得更加清晰的结果，这种学习到的特征在分类、检测和分割等任务中表现出了很好的效果。

    Apr, 2016