Jun, 2023

SaliencyCut：用于开放集细粒度异常检测的概率性异常增强技术

PDF
TL;DR本文提出了一种基于显著性引导的数据增强方法，SaliencyCut，用于创建伪异常来更好地训练开放式精细异常检测模型，并在包括六个真实世界异常检测数据集在内的各种设置下，证明了该方法比基线和其他最先进的方法更为优越。
open-setanomaly detectiondata augmentationfine-grained featuressaliency-guided
发现论文，激发创造
  • 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

  • 基于显著性图的数据增强

    本文介绍了一种使用显著图来限制神经网络对某些区域的不变性从而提高分类准确性的新方法。

    May, 2022

  • SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

    该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

    Jun, 2020

  • CUT：一个可控、通用且无需训练的视觉异常生成框架

    通过使用一个能够生成多样化和逼真异常样本的稳定扩散图像生成框架（CUT），我们提出了一种可控、通用且无需训练的视觉异常生成方法。通过在视觉 - 语言异常检测框架（VLAD）中使用 CUT 生成的异常样本进行训练，我们在多个基准异常检测任务上实现了最先进的性能，突显了合成数据所带来的显著改进。

    Jun, 2024

  • CutPaste: 无监督学习用于异常检测和定位

    该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

    Apr, 2021

  • 显著性的精细优化：基于显著性的生物特征攻击检测模型训练

    融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力，如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平，通过使用简单但有效的显著性后处理技术，在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。

    May, 2024

  • 一种综合增强的异常检测框架

    该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。

    Aug, 2023

  • 解决 DeepFake 问题：使用动态人脸增强改善 DeepFake 检测的分析

    本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。

    Feb, 2021

  • HiddenCut: 自然语言理解的简单数据增强方法提升泛化性能

    通过数据增广技术 HiddenCut，可以更好地规范化模型，激励其学习更通用的特征，从而在 GLUE 基准测试上表现出比现有技术更好的表现。

    May, 2021

  • 生成和重新加权密集对比模式的无监督异常检测

    最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

    Dec, 2023