Oct, 2022

基于连通性重构的新奇性检测

PDF
TL;DR本研究提出了一种简单而高效的基于重构的方法，用于检测计算机视觉中的分类外样本，该方法不仅具有比 GAN 等模型更好的性能，还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上，我们的模型在检测新奇样本方面实现了比现有方法显着的改进。
out-of-distribution samplescomputer visiondeep learningreconstruction-based methodnovelty detection
发现论文，激发创造
  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • 利用对抗自编码器进行生成式概率新颖性检测

    该论文基于深度学习编码 - 解码器网络架构，提出了一种概率方法来检测新数据点，并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明，在多个基准数据集上，该方法能够达到最先进水平。

    Jul, 2018

  • 超越已知：对抗自编码器的新颖性检测

    通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

    Apr, 2024

  • 使用软布朗偏移取样和自编码器进行超范围检测和生成

    本文提出了一种新的方法，通过自动编码器和软布朗运动偏移方法，基于给定的分布数据集生成足够接近真实数据的数据集，并用于改善深度神经网络的过度自信和提高其性能。该方法可以用于时间序列和 MNIST 数据集等数据的实验，并成功改善了这些数据的缺陷以及自动驾驶轨迹预测算法的效果验证。

    May, 2021

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 利用马氏距离改善重建自编码器的 OD 检测

    本文针对在安全关键应用中如自主车辆系统的分类验证需求，提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值，以提高异常检测性能。

    Dec, 2018

  • 基于 GAN 的新奇性检测

    通过使用基于生成式对抗网络的方法，我们提出了一种用于同时分类和新颖性检测的多分类判别器，通过从名义和新颖的数据分布混合中生成样本，对于新颖性检测具有最优性能，并且实验结果表明，该方法优于传统方法。

    Feb, 2018

  • 潜空间自回归用于新颖性检测

    设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。

    Jul, 2018

  • 基于对抗学习的一类分类器用于新奇性检测

    本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

    Feb, 2018

  • 使用敌对式上下文掩模的一类学习型编码器 - 解码器网络用于新奇性检测

    研究了使用新型的自编码器方法来提高新颖性检测，使用 Mask Module 生成最优的遮罩，通过两个竞争的网络来优化输入遮罩，达到了比传统方法更好的效果。

    Mar, 2021