过度表达表示法在异常检测中的危害:没有免费的午餐
本研究探讨异常检测在图像领域的深度学习方法,通过在ImageNet数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
本论文研究了利用后向传播梯度作为表示以检测异常的方法。实验证明,这种基于梯度的方法在基准图像识别数据集上达到了最先进的异常检测性能,并且与依赖于对抗网络或自回归模型的其他最先进的方法相比,这种方法具有更高的计算效率和更简单的结构。
Jul, 2020
研究新的表示学习方法在异常检测中的应用,结果显示,与其使用特定的异常检测器,选择正确的表示更为重要;知识蒸馏可以比直接使用表示更有效。此外,尽管异常和正常数据的可分性很重要,但更容易受到对抗性特征的影响。最后,在一个真实的X射线安全数据集中,新的配置可以检测出96.4%的异常,优于以前的结果。
Apr, 2021
本篇论文提出了一种少样本异常检测框架,通过弱监督学习方式训练检测模型,维护了良好的正常性表示和异常性表示,同时兼顾了sample-efficient考虑,实现了对少量标注样本的训练,并在9个实际图像异常检测基准测试中表现显著好于同类方法。
Aug, 2021
提出了一种基于知识蒸馏的教师-学生(T-S)模型,利用反向蒸馏范式和可训练的单类瓶颈嵌入(OCBE)模块,从高级别到低级别的特征逐渐地传递知识,在AD和单类新颖性检测基准测试中实现了卓越的性能,提高了对异常检测和单类分类的准确性。
Jan, 2022
异常检测的主导范式在无限扩展上将面临基本限制,对于许多工业任务,当存在强任务先验时,可以克服这些限制;但当不存在这样的先验时,异常检测变得更加困难,因此我们提出了两个异常检测的重大挑战:i)通过异常检测来进行科学发现;ii)在ImageNet数据集中检测最异常的图像,我们相信需要开发新的异常检测工具和思想来克服这些挑战。
Jul, 2023
使用解释性来捕获输入空间中的新特征作为未解释的观察结果,结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能,成为多个基准的新的最先进方法,消除了昂贵的背景模型和密集匹配的需求,并对挑战性的基准上的假阴性异常减少了40%。我们的方法为像素级异常提供可视化的检查解释。
Oct, 2023