零样本异常检测无需基础模型
本文提出一种少样本异常检测方法,通过注册任务作为代理任务,训练一个通用的无类别模型来检测输入图像是否为异常,并在大型基准测试中实现了优于现有方法 3%-8%的表现。
Jul, 2022
在本研究中,我们提出了一种新的方法来解决少样本异常检测(FSAD)的挑战,该方法包括使用预先训练的模型初始化权重,采用对比性训练来优化少样本领域数据,以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估,以展示所提方法的有效性。
Feb, 2024
本文介绍了我们参加 Visual Anomaly and Novelty Detection (VAND) 2023 Challenge 中的零样本检测方向的提交结果。我们在 WINCLIP 框架的基础上增强了系统的定位能力,同时整合了零样本分割模型。此外,我们还进行了前景实例分割,使模型集中在图像的相关部分,从而更好地识别小型或细微的偏差。我们的管道不需要外部数据或信息,可以直接应用于新的数据集。我们的团队 (Variance Vigilance Vanguard) 在 VAND 挑战赛的零样本检测中排名第三,样本 / 像素级别上在 VisA 数据集上实现了平均 F1-max 得分为 81.5/24.2。
Jun, 2023
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
本研究探讨异常检测在图像领域的深度学习方法,通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
本文介绍了用于工业视觉检测的一个方案,该方案使用 CLIP 模型和多个存储器来实现无标准参考图像的零射和少射跟踪,从而实现对大量产品类型的快速自适应,并在 VAND 2023 挑战赛中获得了一等奖。
May, 2023
利用一种新颖的少样本异常检测(Few-Shot Anomaly Detection,FSAD)框架,该框架基于注册作为自监督类别无关表示学习的代理任务,并通过将测试图像的注册特征与其对应支持图像特征进行比较来识别异常,使模型能够泛化到新的测试类别。
Jun, 2024
本文研究冷启动情况下的异常检测问题,通过将零样本学习与含有异常的少量观测相结合,提出了一种能够适应这一情况的新方法 ColdFusion,并提供了相应的评估套件。
May, 2024