CFA: 基于耦合超球特征适应的目标导向异常定位
通过修改的正则化判别变分自动编码器(RD-VAE)在耦合超球特征自适应(CFA)的特征提取过程中引入了类鉴别特性,提出了一种新的模型 RD-CFA,用于多类别异常检测,该方法综合了 RD-VAE 捕捉复杂类别分布的辨别能力与 CFA 强大的异常检测能力,相比于八种主流方法,在多类别异常检测和定位上使用 MVTec AD 和 BeanTech AD 数据集进行广泛评估,显示出了 RD-CFA 方法的有效性。
Nov, 2023
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
通过多模态数据和自监督特征适应方法,本文在工业异常检测领域提出了一种局部到全局的自适应特征调整方法,显著提高了特征嵌入方法的性能,并取得了超越之前最先进方法的显著成果。
Jan, 2024
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。
Dec, 2021
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
稀缺的注释数据,尤其是罕见疾病的数据,限制了训练数据的多样性和可检测病变的范围,对医学影像中的监督异常检测提出了重大挑战。为了解决这个问题,我们提出了一种新的无监督医学图像异常检测方法:Attention-Augmented Differentiable top-k Feature Adaptation (ADFA)。该方法利用在 ImageNet 上预训练的 Wide-ResNet50-2 (WR50) 网络提取初始特征表示。为了减少通道维度,同时保留相关通道信息,我们在提取的特征上使用了增强型注意力补丁描述符。然后,我们应用可微分的 top-k 特征适应方法来训练补丁描述符,将提取的特征表示映射到一个新的向量空间,实现有效的异常检测。实验结果显示,ADFA 在多个具有挑战性的医学影像数据集上优于最先进的(SOTA)方法,证实了其在医学异常检测中的有效性。
Aug, 2023
本文介绍了一种方法,它通过学习领域不变的局部特征模式并联合对齐整体和局部特征统计量,从而进一步实现细粒度特征对齐,并在两个流行的基准数据集上将其与现有的无监督领域适应方法进行比较,证明了我们方法的优越性和对减轻负迁移的有效性。
Nov, 2018
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案,旨在学习具有稳健性的不变表示形式,通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型,以获得逐步学习不变目标表示的能力,该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估,并成功证明其在不熟悉的环境中识别目标的效能
Apr, 2023
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
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