通过微调表示来实现高斯异常检测的迁移学习

Aug, 2021

通过微调表示来实现高斯异常检测的迁移学习

Transfer Learning Gaussian Anomaly Detection by Fine-tuning Representations

Oliver Rippel, Arnav Chavan, Chucai Lei, Dorit Merhof

TL;DR本文提出一种新的方法，利用联合生成和判别建模构建一个多元高斯分布来解决传输学习中的灾难性遗忘问题，并将其用于异常检测任务中。实验结果表明该方法在异常检测任务中达到了新的最优性能，并与先前的成果相比实现了可比较的异常分割性能。

Abstract

Current state-of-the-art anomaly detection (AD) methods exploit the powerful representations yielded by large-scale ImageNet training. However, catastrophic forgetting prevents the successful fine-tuning of pre-trained representations on new datasets in the semi-supervised setting, and

anomaly detection transfer learning catastrophic forgetting mahalanobis distance gaussian distribution

发现论文，激发创造

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

COFT-AD：对少样本异常检测的对比微调

在本研究中，我们提出了一种新的方法来解决少样本异常检测（FSAD）的挑战，该方法包括使用预先训练的模型初始化权重，采用对比性训练来优化少样本领域数据，以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估，以展示所提方法的有效性。

Feb, 2024

均值漂移对比损失用于异常检测

本文提出一种新的深度异常检测方法，利用预训练的表示在外部数据集上进行对比学习，并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss，该方法可以显著提高异常检测性能。实验结果表明，与现有方法相比，在 CIFAR-10 数据集上实现了 98.6％的 ROC-AUC 表现，达到了最新的技术水平。

Jun, 2021

多元高斯图像异常检测可视化

本文介绍了 PaDiM 方法的简化，使用单变量高斯分布拟合从卷积神经网络中提取的特征向量，将它们的马氏距离作为异常值评分，并通过执行白化转换生成能够可视化 MVG 学到特征的热图，MVTec-AD 数据集的实验结果表明，视觉模型验证的重要性，提供了这个框架中，本来无法察觉的问题的见解。本文生成的可视化结果可以通过公开链接获得。

Jul, 2023

多分辨率知识蒸馏用于异常检测

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

层次高斯混合正态流模型用于统一异常检测

该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

Mar, 2024

使用生成对抗网络的增量式分类器学习

通过使用新的损失函数、简单的方法来解决分类失效和利用生成对抗网络来生成历史数据和选择代表性样本，我们解决了增量分类器学习中的灾难性遗忘问题，并在 CIFAR-100、Flower-102 和 MS-Celeb-1M-Base 数据集上进行了验证，证明了我们方法的有效性，并且生成的数据比真实图像具有更少的隐私问题。

Feb, 2018

一种综合增强的异常检测框架

该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。

Aug, 2023

使用同时编码器训练从受污染的图像数据中无监督地学习异常检测

本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法，能够在污染数据的情况下识别图像中的异常，并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。

May, 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