可解释的偏差网络深度少样本异常检测

Aug, 2021

可解释的偏差网络深度少样本异常检测

Explainable Deep Few-shot Anomaly Detection with Deviation Networks

Guansong Pang, Choubo Ding, Chunhua Shen, Anton van den Hengel

TL;DR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。

Abstract

Existing anomaly detection paradigms overwhelmingly focus on training detection models using exclusively normal data or unlabeled data (mostly normal samples). One notorious issue with these approaches is that they are weak in discriminating anomalies from normal samples due to the lac

few-shot anomaly detection weakly-supervised neural deviation learning sample-efficient

发现论文，激发创造

使用偏差网络进行深度异常检测

本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。

Nov, 2019

文本中的少样本异常检测与偏差学习

本文介绍了 FATE，一种基于深度少样本学习的框架，它利用有限的异常例子，在端到端的方法中显式地学习异常分数，同时使用偏差学习来调整正常例子的异常分数，以接近参考分数，并迫使异常样本在先验分布的上尾具有明显偏离的异常分数。此外，我们的模型通过利用多头自注意力层和多示例学习方法来学习异常的独特行为。在几个基准数据集上进行的综合实验证明了我们提出的方法达到了最新技术水平。

Aug, 2023

小样本弱监督网络安全异常检测

本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

Apr, 2023

跨网络元学习的小样本网络异常检测

本研究探讨了采用少量标注异常来进行网络异常检测的问题，并提出一种新的图神经网络方法和跨网络元学习算法来解决这个问题，并通过大量实验验证了其有效性。

Feb, 2021

少样本在线异常检测和分割

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024

一种分层转换 - 判别生成模型用于少样本异常检测

本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。

Apr, 2021

预训练深度特征中正常数据分布的建模用于异常检测

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

异常扩散：基于扩散模型的少样本异常图像生成

提出了一种基于扩散的少样本异常生成模型，利用大规模数据集中学习到的潜在扩散模型的强优先信息，增强生成的真实性，并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐，实现了准确匹配的异常图像 - 遮罩对，从而显著提高异常检测任务的性能。

Dec, 2023

Skip-GANomaly: 跳跃连接和对抗训练的编码器 - 解码器异常检测

介绍了一种基于无监督学习、卷积神经网络和图像处理的异常检测方法，该方法对于高维的图像空间和低维的潜在空间都有很好的重构表现，更适合处理训练数据高度不平衡的真实场景数据。在 X 光安全筛查等领域通过基准实验和实际应用均展现了出色的性能。

Jan, 2019

GANomaly: 通过对抗训练进行半监督异常检测

使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

May, 2018