Feb, 2023

可靠的图像异常定位的协同差异优化

PDF
TL;DR本文提出了一种协同差异优化（CDO）方法，借助合成异常协同优化正常和异常特征分布以减轻过度泛化。CDO 引入了一个边缘优化模块和一个重叠优化模块来优化决定定位性能的两个关键因素，即正常和异常样本的差异分布（DDs）之间的边缘和重叠。通过 CDO，获得了正常和异常 DD 之间的大边缘和小重叠，并提高了预测可靠性。在 MVTec2D 和 MVTec3D 上的实验表明，CDO 有效地减轻了过度泛化，并具有实时计算效率的极佳异常定位性能。
unsupervisedanomaly localizationconvolutional neural networkscollaborative discrepancy optimizationsynthetic anomalies
发现论文，激发创造
  • 医学影像非监督异常检测和定位的约束对比分布学习

    提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

    Mar, 2021

  • 具对比性本地化的强韧缺陷检测

    该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

    Jun, 2023

  • 提高医学图像的异常检测能力的更困难的合成异常

    我们的研究基于之前的医学领域离群分布挑战（MOOD）的获奖者的工作，其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络，从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中，通过使用随机形状而不是方形，并平滑异常的插值边缘，使合成异常更加多样化和具有挑战性，使网络无法仅仅依赖图像 - 外来补丁之间的高梯度来识别异常。我们的实验证明，这两项贡献显著改进了该方法的性能。我们使用标准的 3D U-Net 架构作为分割网络，在脑部和腹部数据集上以补丁方式进行训练。我们最终的挑战提交包括 10 个在不同异常生成过程配置下训练的 U-Net，通过 5 个数据折叠进行训练。我们的方法在 MICCAI 举办的 2022 年医学离群分布挑战的样本级和像素级任务中取得了第一名。

    Aug, 2023

  • 教师协作的半监督目标检测

    利用半监督物体检测方法 (SSOD) 的 Collaboration of Teachers Framework (CTF) 可以提高未标记数据的利用率，避免伪标签的循环数据流确认偏差，并且可以与其他主流 SSOD 方法集成。

    May, 2024

  • 使用优化的无监督异常检测的多维内容交付网络安全框架

    提出了一种利用多角度无监督学习框架实现 CDN 异常检测的方法，该方法通过多方面特征工程、优化的无监督异常检测模型以及多方面验证方法，主要从客户端 IP 和节点视角检测 CDN 中的异常行为，从而识别拒绝服务和缓存污染攻击模式。该方法通过对现实世界 CDN 日志数据的分析得出实验结果，能够有效地识别出异常内容、受损节点、恶意 IP 及其相应的攻击类型，并得到多位网络安全专家的验证。这表明该方法在应用于真实世界 CDN 数据时是有效的。

    Jul, 2021

  • ToCoAD: 用于工业异常检测的两阶段对比学习

    该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

    Jul, 2024

  • 使用复合污染的新型数据增强技术进行样本分布外检测

    本文提出了一种名为 CnC 的 Compound Corruption 技术，可以用于深度神经网络中的具有安全风险的 out-of-distribution 数据检测，在验证集中用该方法训练的模型显著优于当前最先进的技术。

    Jul, 2022

  • 鲁棒异常检测的差异感知框架

    合成数据的自监督学习在缺陷检测中显示出巨大的潜力，本文提出了一种容错感知框架，通过简单和廉价的策略持续展现出鲁棒性能，优于现有方法，并取得了最先进的定位性能。

    Oct, 2023

  • CoDo：具有下游背景不变性的对比学习用于检测

    本文提出了一种新的自监督学习方法 ——CoDo。它基于对下游数据集中不同背景的实例建模为主要任务，并通过层次化多视图对比学习来提高视觉表征学习性能，即可用于物体检测任务的强迁移学习.

    May, 2022

  • 精准分布：粗到细的非对比学习用于异常检测和定位

    该研究提出了一种新的无监督异常检测和定位框架，通过粗到精的对齐过程从正常图像中学习密集和紧凑的分布，引入了称为非对比学习的新预文本任务，并在真实工业数据集上取得了最新的检测效果。

    Oct, 2021