May, 2022

暴露离群值：从少、一个、零个异常值图像中学到什么

PDF
TL;DR本论文利用大量的随机图像来代表异常性，通过一些经过改进的学习方法、标准分类器和一类半监督的方法进行训练，发现无论何时在已有数据的基础上添加一个训练异常样本能够达到很不错的结果（在 ImageNet 基准测试下的 AUC 值可以达到 79.3%），并表明一类方法对于训练异常样本的选择更加鲁棒，与标准分类器相比具有优势，并且在使用 CLIP 表示学习时，零样本的情况下可以实现 ImageNet 上的最新异常检测结果。
anomaly detectionunsupervised learningoutlier exposurestate-of-the-art performanceone-class methods
发现论文，激发创造
  • 异常检测中的深度学习与异常情况曝光

    使用辅助数据集训练异常检测器，提出 Outlier Exposure (OE) 方法来改进机器学习领域中深度异常检测任务，在 NLP 和视觉任务中扩展实验表明 OE 显著提高检测性能，并分析该方法的灵活性和鲁棒性。

    Dec, 2018

  • 深度异常检测中的假设重新思考

    本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

    May, 2020

  • 污染数据异常检测的潜在异常暴露

    本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

    Feb, 2022

  • 零样本异常检测无需基础模型

    本文探讨异常检测中的零样本适应问题，并提出了一种简单而高效的基于批归一化和元训练的零样本异常检测方案，在表格数据和图像数据中获得了最新的表现。

    Feb, 2023

  • 探测异常的无监督样本表面化中的最低限度

    使用无监督的异常检测方法，我们展示出仅使用极少量的训练样本即可达到甚至超过整个训练数据集的异常检测性能，并提出了三种方法来识别大规模样本中的原型样本。这些原型样本在多个数据集上具有很好的性能，其特征可用于不同模型和其他数据集的选择过程。

    Dec, 2023

  • 盲动态特征聚类下的异常检测

    本文主要研究工业对象 / 纹理的视觉异常检测，提出了一种名为 PatchCluster 的新方法，能够准确检测图像和像素级别的异常情况，无需已知正常数据并且在性能上与需要已知正常数据的一类设置中的最先进方法相当。

    Jul, 2023

  • 奇异值：与邻居比较进行异常检测

    本文介绍了一个新颖的异常检测问题，着重识别场景中与其他实例相比显得 “奇怪” 的对象。我们提出了两个基准测试，ToysAD-8K 和 PartsAD-15K，并通过生成每个实例的 3D 物体中心表示以及实例间的交叉验证来检测异常实例。我们对提出的基准测试中的方法进行了定量和定性的严格分析。

    Jun, 2024

  • 基于对抗损失的少样本异常检测与鲁棒特征表示

    我们提出了一种少样本异常检测方法，通过整合对抗训练损失来获得更强大和广义的特征表示，实验证明该方法在利用对抗性损失时通常获得更好的性能。

    Dec, 2023

  • 均值漂移对比损失用于异常检测

    本文提出一种新的深度异常检测方法，利用预训练的表示在外部数据集上进行对比学习，并基于分析提出改进的对比学习目标函数 Mean-Shifted Contrastive Loss，该方法可以显著提高异常检测性能。实验结果表明，与现有方法相比，在 CIFAR-10 数据集上实现了 98.6％的 ROC-AUC 表现，达到了最新的技术水平。

    Jun, 2021

  • 文本异常暴露在视觉 OoD 检测中的有效性研究

    利用生成的文本异常值，进行视觉异常值探测，以提高神经网络的安全性，该方法在大规模 OoD 和困难 OoD 基准测试中取得了竞争性的性能。

    Oct, 2023