SLSG：通过学习更好的特征嵌入和单类分类实现工业图像异常检测

Apr, 2023

SLSG：通过学习更好的特征嵌入和单类分类实现工业图像异常检测

SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification

Minghui Yang, Jing Liu, Zhiwei Yang, Zhaoyang Wu

TL;DR为了更有效地检测异常，本文提出了一种基于自监督学习和自注意力图卷积（SLSG）的网络，SLSG 使用生成式预训练网络辅助编码器学习正常模式的嵌入和位置关系的推理，并通过比较模拟异常来更好地总结正常特征。此外，SLSG 通过构建更一般的图结构，在图像元素之间全面建模稠密和稀疏关系，从而进一步增强了逻辑异常的检测，实验结果表明 SLSG 具有优越的异常检测性能。

Abstract

Industrial image anomaly detection under the setting of one-class classification has significant practical value. However, most existing models struggle to extract separable feature representations when performing feature embedding and struggle to build compact descriptions of normal f

anomaly detection one-class classification self-supervised learning self-attentive graph convolution logical anomalies

发现论文，激发创造

针对图形异常检测的生成式和对比式自监督学习

本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

一种自监督的 StyleGAN 用于极度有限标签的图像标注和分类

提出了一种适用于极小标注数据集的自我监督方法 SS-StyleGAN，通过在 StyleGAN 体系结构中集成一个学习嵌入到 StyleGAN 潜空间的编码器，它利用学习的潜空间智能选择代表性数据进行标注以提高分类性能，并展示了在 50 个甚至 10 个大小的标注数据集上取得强大的分类结果，特别适用于 COVID-19 和肝肿瘤病理鉴定任务。

Dec, 2023

解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测

本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。

Apr, 2023

自监督学习的自适应记忆网络用于无监督异常检测

本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Jan, 2022

多层次显著性引导的自监督学习在图像异常检测中的应用

本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

Nov, 2023

自我监督特征适应用于三维工业异常检测

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

面向半监督医学图像异常检测的空间感知注意力生成对抗网络

应用空间感知注意力生成对抗网络 (SAGAN) 对医学图像异常检测进行半监督生成，通过定位编码和注意力机制精确聚焦于修复异常区域并保留正常区域，利用生成的健康图像与原图像的差异作为异常分数，实验证明 SAGAN 在三个医学数据集上的性能优于现有方法。

May, 2024

基于自监督嵌入的对抗性攻击快速检测与分类

本文提出了一种使用预训练的自监督编码器嵌入向量的线性模型来检测和分类对抗性攻击的方法 SimCat，并通过对多种攻击类型的实验验证其有效性，同时在适应性攻击下进行了探究，提高了其鲁棒性。

Aug, 2021

AnoSeg: 自监督学习异常分割网络

本文提出了一种新型的异常分割网络（AnoSeg），能够使用自监督学习直接生成准确的异常图，并通过像素精度和对抗损失以及坐标通道拼接等三种新技术保证异常分割的高精度性能。我们的实验表明，该方法优于目前 MVTec AD 数据集上的现有异常检测和异常分割方法，通过 IoU 指标也证明了其在异常分割方面的优越性。

Oct, 2021

自构建图卷积网络用于语义标注

提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

Mar, 2020