KDDJul, 2023

DSV：一种用于自监督离群模型选择的对齐验证损失

PDF
TL;DR本文提出了一种名为 DSV 的无监督验证损失方法，该方法通过近似测试数据的不一致性和可分离性来捕捉增强函数与异常机制之间的对齐度，并能够在 21 个真实世界任务中比多种基线算法表现更好，以选择具有有效增强超参数的高性能异常检测模型。
self-supervised learningunsupervised anomaly detectionhyperparametersdata augmentationdsv
发现论文，激发创造
  • 自监督异常检测的端到端数据增强超参数调整

    本文介绍了基于自我调整自监督异常检测（ST-SSAD）的新方法，该方法通过数据扩充来调整超参数，从而在语义类异常和微妙的工业缺陷中实现了显著的性能提升。

    Jun, 2023

  • 自监督并非魔法：理解图像异常检测中的数据增强

    本文通过对三种不同模型以及 420 种不同任务的广泛实验，认真研究了数据增强在异常检测中的作用，得出自监督作为另一个模型超参数，需要根据真实异常特征仔细选择数据增强方式的结论，并且在缺乏对应的情况下，自监督甚至会降低准确性，从而为未来的研究提供了新的方向

    Aug, 2022

  • 自监督解决无监督异常检测的困境和机遇

    自我监督学习在无监督异常检测中起到重要作用，对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。

    Aug, 2023

  • 重型图片增强的定向自监督学习

    本文提出了一种方向性自我监督学习模式，采用重度增强策略生成更难学习的视角并将其与轻度增强视图进行匹配，建立了基于方向性的目标函数来提高模型的性能表现；实验结果表明，该模式能够有效训练出更具泛化性的模型。

    Oct, 2021

  • 对抗式特征分布对齐在半监督学习中的应用

    本文提出一种新的特征分布对齐方法，用于在只有少量标记样本时避免过度拟合，已在 CIFAR10 和 SVHN 数据集上进行了测试，结果表明在 SVHN 数据集上取得了接近完全监督模型的测试错误率，并提供了关于特征分布对齐发生的理论洞察，并证明了我们的方法可以减少它。

    Dec, 2019

  • DASVDD: 深度自编码支持向量数据描述符 用于异常检测

    该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。

    Jun, 2021

  • 3D 半监督目标检测的分层监督和洗牌数据增强

    介绍了一种新颖的 hierarchical supervision 和 shuffle data augmentation 方法，它通过设计动态双阈值策略产生更合理的监督信号来加强学生网络的训练，并通过洗牌数据增强策略来增强学生网络的功能特征。还展示了该方法在不同的数据集上都表现优异。

    Apr, 2023

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 用于异常声音检测的自监督学习

    使用自我监督学习方法中的特征交换（FeatEx）提出了一种简单而有效的异常声音检测系统，其性能在 DCASE2023 ASD 数据集上明显优于其他已发表结果。

    Dec, 2023

  • 自监控的视频相似度学习

    介绍了一种名为 S$^2$VS 的视频相似度学习方法，采用自我监督学习来处理多个检索和检测任务，使用任务定制的增强和 InfoNCE 损失，同时学习自相似性和硬负相似性，具有与有标注数据方法相媲美的性能，在视频相关性定义的不同颗粒度上均达到了最先进水平。

    Apr, 2023