图像异常检测的启发式超参数选择
本文介绍了一种利用预训练的卷积神经网络进行异常检测(AD)的新方法,该方法通过维度缩减来提高检测准确性,提出了两种贪婪策略的树搜索方法用于最优特征选择,并通过三个主要实验验证了该方法的有效性。结果表明,该方法在检测准确性方面优于传统的主成分分析和反向主成分分析方法,即使使用较少的特征也可以取得更好的结果。因此,该方法为异常检测系统提供了一种有前景的替代方案,有望提高其效率和效果。
Aug, 2023
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
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
使用解释性来捕获输入空间中的新特征作为未解释的观察结果,结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能,成为多个基准的新的最先进方法,消除了昂贵的背景模型和密集匹配的需求,并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。
Oct, 2023
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
这篇文章提出了一种基于深度学习技术的自编码器,通过学习超级计算机节点的正常行为来检测异常条件,测试结果表明该方法能够在正常系统行为学习阶段后,以非常好的准确率(在 88%至 96%之间)检测出之前未曾见过的异常条件,因此具有广阔的应用前景。
Nov, 2018
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
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