使用半监督残差变换器进行预算注释的高效异常检测

Jun, 2023

使用半监督残差变换器进行预算注释的高效异常检测

Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised Residual Transformer

Hanxi Li, Jingqi Wu, Hao Chen, Mingwen Wang, Chunhua Shen

TL;DR计算机视觉中，使用深度学习方法中仍存在的问题是异常检测无法被实时发现，并且在进行异常标注的时候，需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题，通过训练一个滑动型视觉变压器来提高准确性，使得半监督学习成为可能，并且进一步通过引入新的数据增强方法来降低标注成本，经过实验证明，该方法表现优于当前最先进的方法。

Abstract

anomaly detection is challenging as usually only the normal samples are seen during training and the detector needs to discover anomalies on-the-fly. The recently proposed deep-learning-based approaches could som

anomaly detection deep-learning-based approaches position-constrained patch-matching semi-supervised learning mvtec-ad dataset

发现论文，激发创造

标签预算约束下的深度异常检测

本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。

Feb, 2023

用于图像异常定位的掩蔽变形器

基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

Oct, 2022

基于多分辨率特征引导的变压器用于异常检测

该文提出了一种基于 Transformer 的多分辨率特征引导方法 GTrans，用于无监督异常检测和定位。GTrans 通过利用 AGN 模型在提取特征和标记方面的教导来实现异常检测与定位，在 MVTec AD 数据集上获得了最优秀的检测和定位性能。

May, 2023

VT-ADL: 用于图像异常检测和定位的视觉 Transformer 网络

本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

Apr, 2021

一种用于含有异常数据的完全无监督异常检测的通用机器学习框架

使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

Aug, 2023

异常检测的属性恢复框架

该研究提出了一种基于图像修复的异常检测方法，在多个基准数据集上显著优于现有方法，特别是在 ImageNet 上，Top-performing 基线的 AUROC 提高了 10.1%。

Nov, 2019

自监督式脑部 CT 扫描中的异常外检测

本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

Nov, 2020

自监督遮掩卷积变换块用于异常检测

利用自监督掩码卷积变换块的方法实现异常检测任务，该方法在神经网络中实现了重建功能，对电视监控、医学图像等多个任务领域都有较好的性能表现。

Sep, 2022

使用预训练网络进行完全无监督的视觉检查的数据细化

本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。

Feb, 2022

目标检测的少标注学习：基于 Transformer 模型是否更高效？

在这篇文章中，我们针对当前最先进的目标检测器 Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生 - 教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准 COCO 和 Pascal VOC 上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

Oct, 2023