半正交嵌入用于高效无监督异常分割
本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略,能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。
Nov, 2020
利用 Supervised Embedding and Clustering Anomaly Detection (SEMC-AD) 方法,通过使用深度神经网络提取每个日志的数值表示,断代 One-hot 编码,评估嵌入的鲁棒性,并应用多元正态高斯聚类方法,实现高效异常检测及网络维护。
Oct, 2023
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
提出了一种新颖的算法,用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习,该方法可以被视为核神经网络,并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出,该方法的模型参数数量和测试时间评估复杂度均为 O (dD),其中 D 是输入特征的维度,d 是投影空间的维数,在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。
Sep, 2015
本文提出一种名为动态特征聚合的方法,旨在通过优化正则化和引入正交分类器的方式,压缩卷积神经网络 (CNN) 建模中的嵌入空间和提高模型的鲁棒性,从而更好地应对对抗攻击。在 CIFAR-10 数据集上,我们的方法平均准确率为 56.91%,优于 Mixup 基线 37.31%;此外,我们的方法还在超出分布检测方面实现了最佳性能。
May, 2022
本研究提出了一种以目标特定嵌入为核心的新方法,通过引入人工生成的有缺陷样本和无缺陷样本,使用对比训练过程捕捉待考虑纹理的最具代表性特征,并利用表面的内在性质,从无缺陷样本中推导出有意义的表示,从而实现了对异常得分的简单而有效的计算。通过在 MVTEC AD 和 TILDA 数据集上进行的实验,验证了我们的方法与最先进方法的竞争力。
Mar, 2024
这篇研究使用无监督对比特征学习的方法来对网络图像进行检索,然后结合奇异谱嵌入和离群点敏感聚类来检测噪声和局外点,并训练噪声鲁棒的神经网络来纠正 ID 噪声和利用 OOD 样本进行引导对比学习,提高底层特征。
Jul, 2022
本文提出了一种名为 SEANO 的新框架,用于学习部分标记属性网络 (PLAN) 中顶点的拓扑接近性、属性亲和力和标签相似性的低维向量表示,并在消除异常值的同时工作于传递和归纳设置,并证明在各种数据集上都显著优于现有方法。
Mar, 2017
该研究主要探讨无监督嵌入学习问题,通过提出一种基于实例的 softmax 嵌入方法,直接在 softmax 函数上优化真实实例特征,旨在学习数据增强不变和实例分散特征,并在余弦相似性下实现了快速学习速度和更高的准确性。
Apr, 2019
本文介绍了一种使用多尺度特征提取和基于局部极值关键点嵌入的高效纹理检索方法, 通过手工设计的特征向量构建协方差矩阵,提高了规模空间的表示能力,并在多个纹理数据库上得到高竞争性的检索率。
Aug, 2018