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

ICCVJul, 2021

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

Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection

Jinlei Hou, Yingying Zhang, Qiaoyong Zhong, Di Xie, Shiliang Pu...

TL;DR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。

Abstract

reconstruction-based methods play an important role in unsupervised anomaly detection in images. Ideally, we expect a perfect reconstruction for normal samples and poor reconstruction for abnormal samples. Since the generalizability of deep neural networks is difficult to control, exis

unsupervised anomaly detection reconstruction-based methods divide-and-assemble framework multi-scale block-wise memory module adversarial learning

发现论文，激发创造

基于重构误差的少量异常样本检测

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 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

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

记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

Apr, 2019

自监督学习的自适应记忆网络用于无监督异常检测

本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Jan, 2022

增强重构的多视角对比学习用于带属性网络异常检测

本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

May, 2022

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

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

分而治之：通过内存高效瓦片集成进行高分辨率工业异常检测

工业异常检测是计算机视觉中的重要任务，其实际用途广泛。为了解决处理高分辨率图像时出现的内存消耗问题，本文引入了块状集合的方法，在不修改底层架构的情况下，将输入图像划分为网格状瓦片，并为每个位置训练一个专用模型。通过引入重叠瓦片，利用传统的堆叠集合的优势，进一步提高了异常检测能力。实验证明，我们的方法在满足 GPU 内存限制的情况下，在 MVTec 和 VisA 两个标准异常检测数据集上取得了显著的改进。

Mar, 2024

医疗影像无监督异常检测的遮蔽自编码器

本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法，并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。

Jul, 2023