多尺度特征模仿用于无监督异常定位
本研究旨在通过将专家网络的特征进行 “蒸馏” 以学习无监督表示,并使用这些特征检测和定位异常区域,证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识,并显著提高在多个数据集上进行异常检测和定位的性能。
Nov, 2020
本研究提出了 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战,同时,使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题,从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明,该方法无需后处理即可比 23 种最先进的方法表现优异。
Jul, 2020
无监督异常检测中,使用没有任何异常信息的仅限正常样本进行训练的流模型,能够有效地区分可预测和不可预测的异常数据,而针对不同大小变化的异常数据,我们提出了一种名为 MSFlow 的新型多尺度流模型框架,能够在图像级别和像素级别进行异常检测和定位,经验证在三个异常检测数据集上明显优于现有方法,并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。
Aug, 2023
本文提出了一种多尺度深度神经网络结构,利用多个部分标注的数据集进行多器官图像分割的训练,采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题,并引入深度监督机制和自适应加权层,通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN),在四个公开数据集上达到了非常好的效果。
Jan, 2020
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
无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务,本文提出了一个简单而有效的架构,在异常检测中取得了更准确和鲁棒的定位结果。
May, 2024
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
机器学习技术可自动识别大规模数据集中的异常值,比人工检查更快且更可复制。本文提出了一种逆多尺度遮挡的新型特征归属方法,专为异常值设计,针对我们对要识别的特征类型知之甚少并且模型性能可能受到质疑的情况进行测试,我们在漆暗能量调查仪中检测到的异常值上展示了我们的方法,并发现其结果比其他归属方法更易解释。
Oct, 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