脆性特征可能有助于异常检测
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
本研究探讨异常检测在图像领域的深度学习方法,通过在ImageNet数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
本论文研究了利用后向传播梯度作为表示以检测异常的方法。实验证明,这种基于梯度的方法在基准图像识别数据集上达到了最先进的异常检测性能,并且与依赖于对抗网络或自回归模型的其他最先进的方法相比,这种方法具有更高的计算效率和更简单的结构。
Jul, 2020
本研究旨在通过将专家网络的特征进行“蒸馏”以学习无监督表示,并使用这些特征检测和定位异常区域,证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识,并显著提高在多个数据集上进行异常检测和定位的性能。
Nov, 2020
本篇论文提出了一种少样本异常检测框架,通过弱监督学习方式训练检测模型,维护了良好的正常性表示和异常性表示,同时兼顾了sample-efficient考虑,实现了对少量标注样本的训练,并在9个实际图像异常检测基准测试中表现显著好于同类方法。
Aug, 2021
提出了一种基于知识蒸馏的教师-学生(T-S)模型,利用反向蒸馏范式和可训练的单类瓶颈嵌入(OCBE)模块,从高级别到低级别的特征逐渐地传递知识,在AD和单类新颖性检测基准测试中实现了卓越的性能,提高了对异常检测和单类分类的准确性。
Jan, 2022
通过实验证明了在异常检测领域,表示能力过于强大会导致性能的下降,提出了一个与表示充分性和过于强的表达之间的基本权衡有关的理论玩具模型。
Jun, 2023
异常检测的主导范式在无限扩展上将面临基本限制,对于许多工业任务,当存在强任务先验时,可以克服这些限制;但当不存在这样的先验时,异常检测变得更加困难,因此我们提出了两个异常检测的重大挑战:i)通过异常检测来进行科学发现;ii)在ImageNet数据集中检测最异常的图像,我们相信需要开发新的异常检测工具和思想来克服这些挑战。
Jul, 2023