Jul, 2023

PKU-GoodsAD: 无监督异常检测和分割用的超市商品数据集

PDF
TL;DR本研究介绍了超市商品异常检测 (GoodsAD) 数据集，该数据集包含 484 种不同出现方式的商品的 6124 张高分辨率图像，每个类别包含几种常见的异常类型，并对所有异常提供像素精确的地面真实区域，并对当前最先进的无监督异常检测方法进行了彻底的评估。
visual anomaly detectionanomaly detection datasetsunsupervised anomaly detectionunmanned supermarketssmart manufacturing
发现论文，激发创造
  • 复杂工业图像的监督异常检测

    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

  • MVTec 3D-AD 数据集：用于无监督三维异常检测和定位

    本研究介绍了用于无监督异常检测和定位任务的首个综合 3D 数据集。我们采用高分辨率工业 3D 传感器获取了 10 种不同物品类别的深度扫描，并提供了包含各种瑕疵的测试集。研究表明，对于我们的数据集，3D 异常检测方法还有很大的提升空间。

    Dec, 2021

  • 自适应视角合成下的多目标场景不变视角像素异常检测

    使用一种名为 OmniAD 的新型网络，通过改进逆向蒸馏的异常检测方法，提高了像素级异常检测性能，同时借助新的数据增强策略，即视图综合和相机定位，提高了对未完美对齐图像的泛化能力。通过在多对象数据集 ToyCity 和单对象数据集 MAD 上进行定性和定量结果验证，验证了这种方法的有效性。

    Jun, 2024

  • PUAD: 强大异常检测的令人沮丧地简单方法

    开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

    Feb, 2024

  • Real-IAD: 用于评估多视角工业异常检测的现实世界数据集

    提出了一个大规模、真实世界的多视角工业异常检测数据集（Real-IAD），包含 30 种对象的 15 万张高清图片，相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例，具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后，为推动 IAD 领域的发展提供了一个极具挑战性的基准。

    Mar, 2024

  • UMAD：无监督自动驾驶遮罩层异常检测

    本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。

    Jun, 2024

  • 基于概念的零售商店异常检测与移动机器人自动纠正

    使用基于概念的异常检测方法和视觉转换器（ViT），Co-AD 能够检测出零售物品中的放错物品，达到 89.90% 的峰值成功率，比基准的标准 ViT 自编码器的 80.81% 高。此研究旨在开发减少零售店铺管理中人为干预需求的自主移动机器人解决方案。

    Oct, 2023

  • 基于图像点云融合的异常检测：以 PD-REAL 数据集为例

    通过使用 Play-Doh 模型和 RealSense 相机，我们提出了 PD-REAL 数据集，用于在 3D 领域进行无监督异常检测研究，该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。

    Nov, 2023

  • 朝着节约的无监督医学图像微细异常检测

    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

  • 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