Nov, 2021

FastFlow: 基于二维正则化流的无监督异常检测和定位

PDF
TL;DR本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。
unsupervised anomaly detectionnormalizing flowsdeep learningconvolutional neural networksfeature extraction
发现论文，激发创造
  • 基于归一化流的特征密度估计用于异常检测

    基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联，并提供了应用正态流用于外分布检测时的训练陷阱。

    Feb, 2024

  • CFLOW-AD：基于条件归一化流的实时无监督异常检测及定位

    本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

    Jul, 2021

  • MSFlow: 无监督异常检测的多尺度流式框架

    无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

    Aug, 2023

  • Same Same But DifferNet: 带有归一化流的半监督缺陷检测

    本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题，通过最终得分进行缺陷像素位置的精确定位，而且不需要大量训练样本，与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。

    Aug, 2020

  • CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

    我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

    Nov, 2023

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • AltUB: 交替训练方法更新归一化流的基础分布用于异常检测

    提出了一个名为 AltUB 的解决方案来改善基于正常流的性能稳定性，使其在无监督异常检测任务中达到了最新的最先进表现，并在 MVTec AD 数据集上实现了 98.8％的 AUROC。

    Oct, 2022

  • 基于正则化流的特征合成技术在异常感知目标检测中的应用

    提出了一种基于可逆规范化流模型的异常检测方法，通过学习所有合法目标类别的联合数据分布，能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时，建模更好的入侵对象和异常对象的决策边界，在图像和视频数据集中显著优于现有的技术。

    Feb, 2023

  • 双向归一化流用于异常流量检测的半监督学习

    利用正常流量，我们提出了一个基于三阶段异常网络流量检测的框架，该框架可以生成伪异常样本，无需先验知识即可检测异常数据，通过深度表示学习、标准化和噪声添加等步骤实现。该方法在公共基准数据集上取得了最先进的结果。

    Mar, 2024

  • 基于正则流模型的人体姿态异常检测

    本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

    Nov, 2022