Jul, 2023

受限生成投影用于单类分类与异常检测

PDF
TL;DR我们提出了一个简单的框架，用于一类分类和异常检测。学习一个映射来将未知的训练（正常）数据分布转化为已知的目标分布，保证目标分布足够简单、紧凑且具有信息丰富性，同时最小化转化后的数据分布与目标分布的距离，并保持原始数据的重建误差足够小。与基准方法相比，对多个基准数据集验证了我们方法的优越性。
发现论文，激发创造
  • GODS：一类通用的判别子空间用于异常检测

    本文提出了一种新的针对单类学习的目标方法，采用正交归一帧子空间 “夹住” 标记数据，通过同时最小化两个目标来进行优化，即：缩小两个子空间的原点之间的距离，同时最大化正交超平面与数据之间的间隔，达到数据标记的目的，并在提出的 Dash-Cam-Pose 数据集上进行了实验。

    Aug, 2019

  • 多假设预测的异常检测

    本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

    Oct, 2018

  • 一种分层转换 - 判别生成模型用于少样本异常检测

    本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。

    Apr, 2021

  • 利用几何变换的深度异常检测

    针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。

    May, 2018

  • 使用分布鲁棒优化方法进行不确定性下的异常检测

    基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

    Dec, 2023

  • 用于异常检测的深层图级正交超球压缩

    本文提出了一种新的深度图形异常检测模型，该模型利用亚球形决策边界来通过最大互信息筛选图像特征，进而实现对无监督的异常图形识别

    Feb, 2023

  • 预训练深度特征中正常数据分布的建模用于异常检测

    本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。

    May, 2020

  • 形状优化中的异常检测和设计空间降维的生成模型

    我们的研究提出了一种新的形状优化方法，通过减少定义新的减少子空间的原始设计变量的数量，并通过概率线性潜变量模型（如因子分析和概率主成分分析）对数据的生成过程建模，以提高全局优化算法的效率，并在优化过程中生成没有几何异常的高质量设计。

    Aug, 2023

  • 深度单类分类的表示学习和评估

    本文提出了一个两阶段的深度单类分类框架，第一阶段从单类数据中学习自监督表示，第二阶段在学习表示的基础上建立单类分类器， 并应用于视觉领域中的新颖性和异常检测任务中，实验表明其性能优于现有方法。

    Nov, 2020

  • 基于零样本离群生成和分层特征提取的异常检测

    本文提出了一种可以通过生成异常样本来解决少数异常样本数据不均衡的方法，利用自编码器和变分自编码器的双层分层潜空间表示来将合法数据的特征描述符深度提取为更强的表示，再利用这些生成器合成未见过的负样本，训练二元分类器以获得鲁棒的且无需实际异常样本训练的异常检测性能，该方法在多个异常检测基准测试中表现优异。

    Oct, 2020