IJCAIDec, 2021

基于预训练特征的受限自适应投影异常检测

PDF
TL;DR本文提出一种基于预训练特征的异常检测框架 (CAP)，该框架通过线性投影头将输入数据和最相似的预训练正常数据匹配，并采用改进的自注意力机制挖掘单类语义特征之间的内在关系，以避免潜在的模式折叠问题，实现了语义异常检测和感知异常检测基准上的最优性能，如 CIFAR-100 数据集上的 96.5％ AUROC，CIFAR-10 数据集上的 97.0％ AUROC 和 MvTec 数据集上的 89.9％ AUROC。
发现论文，激发创造
  • PANDA: 针对异常检测和分割的预训练特征自适应

    本文研究在异常检测领域中采用预训练特征的方法，并通过对特征的动态适应以及弹性正则化等方式提高异常检测、异常暴露和异常分割的性能，取得了领先于现有方法的效果。

    Oct, 2020

  • 基于胶囊网络的深层异常检测方法探索

    本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。

    Jul, 2019

  • CFA: 基于耦合超球特征适应的目标导向异常定位

    提出了 Coupled-hypersphere-based Feature Adaptation (CFA) 方法，它通过特征自适应到目标数据集来实现对异常数据的准确定位及区分，CFA 采用可学习的补丁描述符和可扩展的内存库，结合预训练 CNN 进行传递学习，实验证明其在异常检测和定位方面取得了优异的性能，最高 AUROC 分别达到 99.5％和 98.5％。

    Jun, 2022

  • Transformaly -- 一藏俩器（特征空间）胜于一

    本研究提出了一种称为 Transformaly 的方法，利用预先训练的网络（ViT）提取特征向量，并使用教师 - 学生训练方法将训练数据中的正常样本提供给学生网络进行训练，从而在异常检测方面实现了超越最新技术的结果。

    Dec, 2021

  • 利用正常模型的转移学习框架进行异常检测

    本文提出了一种基于相似性度量将深度卷积神经网络作为特征提取器用于异常检测的迁移学习框架，并通过对工作点决策阈值的优化来提高检测准确率。

    Nov, 2020

  • 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

  • 超越熟悉特征的深度异常检测

    使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

    Oct, 2023

  • 预训练的 CNN 是否适合用作监控视频中异常检测的特征提取器？

    本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。

    Nov, 2018

  • 使用预训练网络进行完全无监督的视觉检查的数据细化

    本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。

    Feb, 2022

  • 无监督异常定位的子空间感知特征重构

    我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

    Sep, 2023