May, 2023

基于语义一致性重编码变分自编码器的单类别新奇检测

PDF
TL;DR本文介绍了一种利用重建模型的潜在空间，结合重新编码机制和语义一致性限制的 Novelty Detection 算法，分为正常、异常和不确定语义区域，并提出了三种训练模式。 实验结果表明，该算法在多个数据集上优于其他算法，达到了当前最先进水平。
generative modelsvariational auto-encoderone-class novelty detectionrecoding mechanismsemantic consistency
发现论文，激发创造
  • 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

  • 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

  • 基于内容的图像检索的类别特定变分自编码器

    本文提出了一种正则化损失的变分自编码器（VAEs），通过强制模型关注感兴趣的类别，使得 VAE 的学习潜在空间适用于特定类别的检索任务，新方法在三个公共数据集和一个自定义数据集上得到比竞争 VAE 的方法更好的表现，尤其是在域内和域外检索问题上。

    Apr, 2023

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 变分自编码器的一致性正则化

    本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

    May, 2021

  • 基于层次化语义对场景感知视频异常检测的对比研究

    本文提出了一种基于层次语义对比的视频异常检测模型，结合了前景对象和背景场景特征，通过自动编码器框架增强编码的潜在特征，同时使用对象级和场景级对比学习，增强模型的判别能力，并通过基于骨架的运动增强来进一步处理少见的正常活动。经过在三个常规和场景相关混合数据集上的实验证明了这种方法的有效性。

    Mar, 2023

  • 半监督文本分类的变分自编码器

    提出了一种半监督顺序变分自编码器 (SSVAE) 用于文本分类，在解码器中增加了标签信息，并使用一种新颖的优化方法减少了训练中的计算复杂性，实验结果表明该方法在 IMDB 数据集和 AG 新闻语料库上的分类精度显著提高，与之前的先进方法相当。

    Mar, 2016

  • SLAC Linac 相干光源的弹性 VAE：无监督异常检测

    利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

    Sep, 2023

  • 半监督学习的解缩变分自编码器

    本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

    Sep, 2017

  • 使用变分自编码器进行 q 空间新颖性检测

    文章提出一种基于 VAE 的新颖性检测方法，使用该方法可以检测出多发性硬化症的扩散 MRI 扫描中的异常区域，并且在 MNIST 手写数字数据集上取得了优于现有方法的效果。

    Jun, 2018