Apr, 2023

基于变分自编码器的无监督三维点云异常检测

PDF
TL;DR本文提出了一种针对三维点云的端到端无监督异常检测框架，该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算，并在 ShapeNet 数据集上进行了广泛实验，证明了该方法优于基线方法。
发现论文，激发创造
  • 使用深度几何描述符在 3D 点云中进行异常检测

    提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

    Feb, 2022

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 具有变分自编码器的快速基于粒子的异常检测算法

    我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

    Nov, 2023

  • 点云自监督学习：基于三维到多视角遮蔽自编码器

    通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

    Nov, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 基于点空间和时间自编码器的点云视频异常检测

    本研究提出了一种基于点云视频的自编码器框架 PSTAE，使用深度相机和 LiDAR 采集的 3D 数据以保护居民或患者隐私，并取得了 TIMo 数据集上的最新成果 (SOTA)。

    Jun, 2023

  • 用于无监督点云学习的渐进式种子生成自编码器

    本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。

    Dec, 2021

  • 通过稳健的变分自编码实现新颖性检测

    本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

    Jun, 2020

  • 基于变分自编码器学习概念的蜂窝网络可解释异常检测

    该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

    Jun, 2023