自监督预测卷积注意力块用于异常检测
基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法,将输入图像分成多个分辨率的 Patch,在忽略异常信息的同时对周围数据进行重建,相较传统方法性能更好,MVTec 和 head CT 等数据集上实现了良好的结果。
Oct, 2022
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
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
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
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。
Jul, 2021
表面检查中的异常检测是制造业中一项重要且具有挑战性的任务,我们提出了一种名为 Excision and Recovery(EAR)的新型重建方法,通过单一确定性掩模来屏蔽潜在的疑似缺陷区域,用于异常检测。通过实验证明,EAR 模型在异常检测性能和吞吐量方面均优于现有方法。
Oct, 2023
我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法,通过学习正常视频的时空模式,并将测试视频的每一帧与该学习表示进行比较,我们在 Ped1 数据集上实现了 99.35% 的总体准确率,并在 Ped2 数据集上实现了 99.77% 的总体准确率,证明了我们的方法在监控视频异常检测方面的有效性,结果显示我们的方法优于其他最先进方法,可以在实际应用中用于视频异常检测。
Nov, 2023