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

工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

Nov, 2023

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

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。

May, 2022

提出了一种基于深度自编码模型的多传感器数据的异常检测方法，用于在动态现实世界中可靠地执行机器人操作任务，结合红绿蓝（RGB）摄像头、深度摄像头、麦克风和力矩传感器等多种机器人传感器收集的异构数据流，通过训练一个深度自编码器来构建指示正常状态的多传感器数据的潜在表示，可以通过测量训练编码器和重构输入数据的潜在值之间的差异来识别异常，实验证明了该方法在各种对象类型、机器人行为和环境中的对象滑动情况下可靠地检测到异常，并且尽管存在视觉和听觉噪声。

Mar, 2024

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

本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题，提出了一个旨在学习强大的新颖性检测正确性的先验；同时，将该先验与最先进的新颖性检测方法相结合，并评估了该方法在攻击存在与否的情况下的性能表现，得到了较好的结果。

Jun, 2023

本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

Apr, 2021

我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略，通过对最先进的 DenseHybrid 模型的训练阶段进行修改，我们实现了显著的异常检测性能提升。此外，我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果，而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。

Aug, 2023

该论文提出了一种基于归一化流异常检测器的方法来自适应摄像机参数，小规模研究表明，根据这种超出分布检测器调整相机参数可以导致 YOLOv4 目标检测器的 mAP、mAR 和 F1 性能指标平均增加 3 至 4 个百分点。作为辅助结果，该论文还表明可以在 COCO 数据集上训练用于分布检测的归一化流模型，该数据集比大多数分布检测器的基准数据集更大更具多样性。

May, 2023