BMAD: 医疗异常检测基准
该研究论文旨在建立一个统一实施和比较的基准,对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估,并比较了二十七种典型的异常检测方法,首次对现有方法中的关键组件进行了正式探索,明确了未解决的挑战和潜在的未来方向。
Apr, 2024
通过提出一个综合的视觉异常检测基准 extbf {extit {ADer}},包括多个数据集、多个方法和多个评估指标,本研究旨在客观揭示不同方法的优点和缺点,为多类视觉异常检测的挑战和未来方向提供见解,并促进更健壮、更具可推广性的异常检测系统的发展。
Jun, 2024
在工业制造中,图片异常检测是一个重要的计算机视觉任务,已提出许多高级算法,但其性能存在差异。在本文中,我们首先提出了一个统一的工业制造设置,以评估这些算法在不同方面上的性能表现,然后构建了综合性的图片异常检测基准,该基准包括 16 种算法和 7 个数据集,并提供了深入的实验结果以及面向未来的挑战和方向。
Jan, 2023
本文通过对 30 种算法在 57 个数据集上进行广泛实验,从不同角度回答了关于异常检测算法与监督程度、异常类型、噪声数据表现的问题。在对 ADBench 数据集进行全面介绍的同时,文章提出了未来算法选择和设计方向,并且为作者贡献的数据集提供了公正的比较基线算法。文中开源了 ADBench 数据集及相应结果,具有较高的可访问性和可复现性。
Jun, 2022
医学成像中的异常检测是一项具有挑战性的任务,可以通过无监督异常检测方法解决,该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法,以在准确性与计算需求之间取得最优化平衡,并且介绍了一个在线方法来解决大数据量下的内存使用问题,并以帕金森病患者脑部扫描的异常检测为例进行了验证。
Sep, 2023
视频异常检测(VAD)在现代监控系统中扮演着关键角色,旨在识别真实情境中的各种异常。然而,当前基准数据集主要强调简单的单帧异常,如新颖物体检测,这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中,我们主张扩展 VAD 研究,涵盖超越传统基准范围的复杂异常。为此,我们引入了两个数据集:HMDB-AD 和 HMDB-Violence,以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection(MFAD),它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征,如姿势估计和深度图像编码,以及双帧特征,如物体速度。然后,他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常,我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设,并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中,MFAD 表现出色。
Oct, 2023
本论文的主要目的是针对机器学习在医疗异常检测中的应用进行理论分析,提供关于流行的深度学习技术的全面的系统性回顾,比较和对比它们的架构差异和训练算法,并提供了用于解释模型决策的深度模型解释策略的综合概述。此外,指出现有深度医疗异常检测技术的主要局限性并提出未来的关键研究方向。
Dec, 2020
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
自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集,并提出了一种基于分割的异常检测器,其在该数据集上表现出先进性能。
May, 2024