本次研究针对于医学图像领域中，异常检测方法的广泛应用，建立了包含六个重新组织的数据集、三种关键指标和 14 种业内领先的 AD 算法的全面评估基准。该基准将有利于这个领域内进行公正的比较与优化，共同推进医学图像领域中异常检测算法的发展。

Jun, 2023

本文使用元分析研究异常检测问题和方法，提供了大量异常检测基准数据和实验结果，分析了实验设计、指标和算法策略的影响，为异常检测问题提供了本体、方法、实验规范和未来研究的指导。

Mar, 2015

本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。

Apr, 2022

通过提出一个综合的视觉异常检测基准 extbf {extit {ADer}}，包括多个数据集、多个方法和多个评估指标，本研究旨在客观揭示不同方法的优点和缺点，为多类视觉异常检测的挑战和未来方向提供见解，并促进更健壮、更具可推广性的异常检测系统的发展。

Jun, 2024

TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024

机器学习在卫星遥测的异常检测方面具有巨大潜力，欧洲航天局异常检测基准 (ESA-ADB) 旨在解决多变量时间序列异常检测的挑战，并在这一领域树立新的标准。

Jun, 2024

时间序列异常检测是许多应用领域中一个普遍存在的问题，最近增加了基于深度学习的方法，而我们提出了 OrionBench 这一用户中心持续维护的基准测试框架用于无监督时间序列异常检测。

Oct, 2023

本文介绍了针对流数据异常检测的挑战，提出了基于开源工具的 Numenta Anomaly Benchmark 验证框架，用于测试不同算法的实时检测性能，主要关键词包括流数据、异常检测、时间序列数据、实时检测器、谷底检测算法。

Oct, 2015

视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统基准范围的复杂异常。为此，我们引入了两个数据集：HMDB-AD 和 HMDB-Violence，以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection（MFAD），它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征，如姿势估计和深度图像编码，以及双帧特征，如物体速度。然后，他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常，我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设，并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中，MFAD 表现出色。

Oct, 2023

本文提出一种名为 UBnormal 的新型有监督开集基准测试，包括多个虚拟场景用于视频异常检测，将像素级异常事件标注添加到训练数据集中，允许完全有监督学习方法用于异常事件检测，同时维持典型的开集问题，并提供了良好的性能和实验证据支持。

Nov, 2021