Oct, 2021

AnoSeg: 自监督学习异常分割网络

PDF
TL;DR本文提出了一种新型的异常分割网络（AnoSeg），能够使用自监督学习直接生成准确的异常图，并通过像素精度和对抗损失以及坐标通道拼接等三种新技术保证异常分割的高精度性能。我们的实验表明，该方法优于目前 MVTec AD 数据集上的现有异常检测和异常分割方法，通过 IoU 指标也证明了其在异常分割方面的优越性。
anomaly segmentationself-supervised learninghard augmentationadversarial lossescoordinate channel concatenation
发现论文，激发创造
  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017

  • 无监督异常检测和定位的自监督遮掩

    这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

    May, 2022

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020

  • 复杂驾驶场景中的逐像素异常检测

    本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架，旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。

    Mar, 2021

  • 道路场景分割中的异常解除

    我们提出了一种从像素分类到掩膜分类的方法，通过集成异常检测方法于掩膜分类体系结构中实现对异常的改进。该方法包括全局掩膜注意力模块、掩膜对比学习和掩膜细化解决方案，能够在多项基准测试中实现最新的、基于像素和组件级别的性能。Mask2Anomaly 方法通过减少平均误报率 60% 达到了最新的最先进性能。

    Jul, 2023

  • Mask2Anomaly：面具变换器用于通用开放集分割

    将传统的按像素分类的方法转变为基于掩码分类的方法，提出了 Mask2Anomaly 方法来解决异常分割、开放集语义分割和开放集全景分割问题，并引入了全局掩码注意力模块、掩码对比学习、掩码细化解决方案和基于掩码架构特性的未知实例挖掘。经过全面的定性和定量评估，我们展示了 Mask2Anomaly 在异常分割、开放集语义分割和开放集全景分割基准中取得了最新的最佳结果。

    Sep, 2023

  • UGainS: 不确定性引导的异常实例分割

    通过使用不确定区域指导细分异常实例的模型和强大的对象先验，我们提出了一个能够准确检测道路异常物体的方法，优于当前的像素级异常分割方法，实验结果在 Fishyscapes Lost and Found 和 RoadAnomaly 验证集上分别达到了 80.08% 和 88.98% 的平均准确率。

    Aug, 2023

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • 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

  • 基于分割指导降噪的学生 - 教师网络在异常检测中的应用

    本研究提出了一种名为 DeSTSeg 的改进型模型，它将教师网络、降噪学生编码器 - 解码器和分割网络集成到一个框架中，包括去噪过程和丰富的监督，以实现对视觉异常检测的高效处理，实验结果表明在工业检测基准数据集上取得了最新成果。

    Nov, 2022