多元高斯图像异常检测可视化
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
该研究提出了一种新的 Patch Distribution Modeling 框架(PaDiM),可以在单类学习环境下同时检测和定位图像中的异常,通过使用预训练的卷积神经网络进行补丁嵌入,并利用多元高斯分布来获得正常类的概率表示,从而优于目前 MVTec AD 和 STC 数据集上当前最先进的方法。PaDiM 的性能好且复杂度低,适用于许多工业应用。
Nov, 2020
这篇论文探讨了工业多模态异常检测任务,利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架,它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时,通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明,我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能,同时实现了更快的推理速度和更低的内存占用,优于先前的多模态异常检测方法。此外,我们提出一种层裁剪技术,在性能上略有损失的同时提高了内存和时间效率。
Dec, 2023
基于弱监督的变分混合模型的异常检测器(WVAD)在多模态数据集上表现出卓越性能。通过捕捉不同聚类中数据的各种特征,并通过异常得分评估器对这些特征进行评估,WVAD 能够识别异常水平。在三个真实世界数据集上的实验结果证明了 WVAD 的优越性。
Jun, 2024
本文提出一种新的方法,利用联合生成和判别建模构建一个多元高斯分布来解决传输学习中的灾难性遗忘问题,并将其用于异常检测任务中。实验结果表明该方法在异常检测任务中达到了新的最优性能,并与先前的成果相比实现了可比较的异常分割性能。
Aug, 2021
本研究提出一种基于 transformer 的图像异常检测和定位网络,利用重构方法和 patch 嵌入的结合,使用高斯混合密度网络定位异常区域,同时发布了一个名为 BTAD 的现实工业异常数据集。
Apr, 2021
提出了一种部分有监督的深度学习方法,用于视频异常检测和定位,其中使用的仅为正常样本,并且该方法基于使用深度学习训练的高斯混合模型,可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像,同时使用出现和运动异常构建了一个双流网络框架,并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验,结果表明,与现有技术相比,该方法具有卓越的性能。
May, 2018
我们提出了一种新颖的视频异常检测方法:将从视频中提取的特征向量视为固定分布的随机变量的实现,并用神经网络对该分布进行建模,以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器,该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择,我们对不同噪声水平下的噪声视频特征的分布进行建模,并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时,我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小,因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明,在面向对象和面向帧的设置下,我们的方法表现卓越。
Mar, 2024
本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型,该模型不仅在像素空间中重构输入图像,而且还在多个不同的特征空间中进行重构,通过对先前训练的卷积神经网络进行计算,对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。
Aug, 2020
提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型,用于对多变量时间序列数据进行 CPS 安全的异常检测,可以提高模型的鉴别能力并生成多样的样本,实验证明该模型比现有方法更稳定且性能一致提升。
Nov, 2023