Oct, 2022

用于图像异常定位的掩蔽变形器

PDF
TL;DR基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。
image anomaly detectiondeep learningvision transformerpatch maskingmulti-resolution patches
发现论文，激发创造
  • VT-ADL: 用于图像异常检测和定位的视觉 Transformer 网络

    本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

    Apr, 2021

  • 缺陷检测的修复变压器

    这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

    Apr, 2021

  • 自监督遮掩卷积变换块用于异常检测

    利用自监督掩码卷积变换块的方法实现异常检测任务，该方法在神经网络中实现了重建功能，对电视监控、医学图像等多个任务领域都有较好的性能表现。

    Sep, 2022

  • Mask2Anomaly：面具变换器用于通用开放集分割

    将传统的按像素分类的方法转变为基于掩码分类的方法，提出了 Mask2Anomaly 方法来解决异常分割、开放集语义分割和开放集全景分割问题，并引入了全局掩码注意力模块、掩码对比学习、掩码细化解决方案和基于掩码架构特性的未知实例挖掘。经过全面的定性和定量评估，我们展示了 Mask2Anomaly 在异常分割、开放集语义分割和开放集全景分割基准中取得了最新的最佳结果。

    Sep, 2023

  • 无监督异常检测和定位的自监督遮掩

    这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

    May, 2022

  • 基于 Transformer 的无监督脑部异常检测和分割

    通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

    Feb, 2021

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022

  • 深度异常检测的神经转换学习方法

    提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

    Mar, 2021

  • 使用半监督残差变换器进行预算注释的高效异常检测

    计算机视觉中，使用深度学习方法中仍存在的问题是异常检测无法被实时发现，并且在进行异常标注的时候，需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题，通过训练一个滑动型视觉变压器来提高准确性，使得半监督学习成为可能，并且进一步通过引入新的数据增强方法来降低标注成本，经过实验证明，该方法表现优于当前最先进的方法。

    Jun, 2023

  • 基于多分辨率特征引导的变压器用于异常检测

    该文提出了一种基于 Transformer 的多分辨率特征引导方法 GTrans，用于无监督异常检测和定位。GTrans 通过利用 AGN 模型在提取特征和标记方面的教导来实现异常检测与定位，在 MVTec AD 数据集上获得了最优秀的检测和定位性能。

    May, 2023