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。

Nov, 2021

本文基于卷积神经网络、时间序列数据，提出了一种有效的视频异常检测与定位方法，通过实验结果表明该方法在准确性方面胜过现有方法。

Sep, 2016

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

通过引入轻量级模块的双重注意力机制 (Dual Attention Module, DAM) 以捕捉时空骨骼数据中的跨维度交互关系，以及在正常化流框架内将其作为后处理单元集成，我们提出了一种协同使用时序卷积网络 (TCN) 和图卷积网络 (GCN) 的方法在视频异常检测中取得有竞争力的性能。

Jun, 2024

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和 Transformer 混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3 的 Atrous 空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的 CAFCT 在 Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了 90.38% 的平均交并比（IoU）和 86.78% 的 Dice 分数，优于 Pure CNN 或 Transformer 方法，如 Attention U-Net 和 PVTFormer。

Jan, 2024

本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

Nov, 2019

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

该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 2020

本文提出了一种新的卷积神经网络，叫做 Wavelet 通道注意力模块与融合网络，通过利用小波变换和逆小波变换来恢复图像，结合通道注意力，取得了比现有方法更好的降雨噪声图像去噪效果。

Jul, 2020

本研究提出了一种自监督预测建筑模块，将基于重建的功能集成到其中，以此提高现有图像和视频异常检测方法的性能。

Nov, 2021