Feb, 2022

使用预训练网络进行完全无监督的视觉检查的数据细化

PDF
TL;DR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。
发现论文，激发创造
  • 一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

    使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

    Aug, 2023

  • 探索识别非分布极限

    该研究论文表明，大规模预训练的 transformers 网络可以显著提高深度神经网络在接近 out-of-distribution 检测上的性能，包括基于图像和基因组学数据的任务，并探索了利用少量样本进行 outlier exposure 及为该类任务提供名称信息的方法。

    Jun, 2021

  • 缺乏标签验证数据下的异常检测器模型选择

    通过合成验证数据的方法，我们提出了一个用于评估基于图像的异常检测器的通用框架，该框架与其他基于真实验证集的方法选择相同的模型和超参数，并在各种实验中表现出最佳的异常检测准确性。

    Oct, 2023

  • SoftPatch：无监督的带噪数据异常检测

    本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法，在无噪声设置下与其他方法效果相当。

    Mar, 2024

  • ATAC-Net: 缩放视图在异常检测中效果更好

    ATAC-Net 框架利用深度学习在视觉异常检测中应用，从一小部分已知先验异常样本中进行训练，使用注意力引导裁剪提供对疑似区域的更近距离视图，并在可比较的情况下证实其优越性。

    Jun, 2024

  • 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

  • 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

  • ToCoAD: 用于工业异常检测的两阶段对比学习

    该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

    Jul, 2024

  • 基于深度学习的图像补全进行异常检测

    通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

    Nov, 2018

  • 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