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
本文提出了一种基于关联感知的无监督深度高斯混合模型 (CADGMM) 的异常检测方法,该方法通过图形表示建立了样本间的关联,采用双编码器将特征和关联信息编码到低维潜在空间中,并利用高斯混合模型估计这些样本的密度,从而检测异常。
Feb, 2020
本文提出了一种对抗框架,由 Adversarial Distorter 和 Autoencoder 两个部分组成,利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示,实现了对图像和视频数据集上的异常检测的最新性能的提升。
Jul, 2022
自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器,我们将其潜在空间设为条件,将样本分类为正常数据或异常数据。为了特别强调小的异常,我们进行了实验,在额外的输入中提供了差异图,并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中,同时还能重构高质量的图像,从而产生有意义的潜在表示。
Sep, 2023
本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型,该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合,构建了一个端到端的架构,并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度,使用不同基准数据集进行了系统实验评估,在实验结果中表现与或优于其他最先进方法。
Nov, 2022
本研究采用 l2 正规化限制自编码器的表示特征,从而提高欧几里德空间中的分离度和紧凑度。同时,提出了一种基于聚类的无监督异常检测方法,并表明其比基于重构误差的异常检测方法具有更高的准确性。
Feb, 2018
研究了基于几何形状的异常检测,提出了一种基于自编码器的方法,即 centric autoencoder(cAE),结合了数据压缩和自编码器训练的 radial deformation,与传统监督方法相比,cAE 在异常检测中展现出更好的性能。
Mar, 2022
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
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
我们研究了基于补丁自编码器的颜色图像异常检测方法,通过比较三种基于错误、潜在空间中正常图像分布的支持估计,以及原始图像和重建图像的恢复版本之间的错误的性能,我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。
Jul, 2023