Jul, 2023

SelFormaly: 走向任务无关的统一异常检测

PDF
TL;DRSelFormaly 是一个通用且强大的异常检测框架，通过引入 back-patch masking 和 top k-ratio feature matching，它实现了统一且强大的异常检测，同时在各种数据集上取得了最先进的结果。
visual anomaly detectionselformalyanomaly clusteringself-supervised vitsstate-of-the-art results
发现论文，激发创造
  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022

  • 自监督与多任务学习在视频异常检测中的应用

    本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法，结合多个代理任务进行学习，包括三个自监督任务和一个基于知识蒸馏的任务，并在三个基准测试中优于现有技术。

    Nov, 2020

  • 缺乏标签验证数据下的异常检测器模型选择

    通过合成验证数据的方法，我们提出了一个用于评估基于图像的异常检测器的通用框架，该框架与其他基于真实验证集的方法选择相同的模型和超参数，并在各种实验中表现出最佳的异常检测准确性。

    Oct, 2023

  • GANomaly: 通过对抗训练进行半监督异常检测

    使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

    May, 2018

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 自监督异常检测和定位的自然合成异常

    通过自监督学习中的一种简单而直观的任务 ——Natural Synthetic Anomalies (NSA)，本文利用正常训练数据培训端到端模型进行异常检测和定位。NSA 技术使用 Poisson 图像编辑，无缝地混合来自不同图像的各种规模的缩放补丁，创造出一种更类似于自然子图像的不规则性的合成异常。我们使用自然和医学图像评估了所提出的方法。在 MVTec AD 数据集上的实验表明，使用本文提出的 NSA 技术训练的模型推广到检测出不同类型的制造缺陷，取得了 97.2 的总体检测 AUROC，优于所有先前的不使用额外数据集进行学习的方法。

    Sep, 2021

  • Transformaly -- 一藏俩器（特征空间）胜于一

    本研究提出了一种称为 Transformaly 的方法，利用预先训练的网络（ViT）提取特征向量，并使用教师 - 学生训练方法将训练数据中的正常样本提供给学生网络进行训练，从而在异常检测方面实现了超越最新技术的结果。

    Dec, 2021

  • 自我监督特征适应用于三维工业异常检测

    通过多模态数据和自监督特征适应方法，本文在工业异常检测领域提出了一种局部到全局的自适应特征调整方法，显著提高了特征嵌入方法的性能，并取得了超越之前最先进方法的显著成果。

    Jan, 2024

  • 多模态异常检测与推理的自定义视觉语言基础模型

    本研究旨在开发一种适用于多个场景的通用异常检测模型，通过将视觉 - 语言基础模型定制为异常检测器和推理器，并引入多模态提示策略，将领域专家的知识作为条件来指导模型，在多模态输入表示中实现多模态异常检测和推理，从而提高异常检测性能。结果表明，该定制模型能够在不同的数据模态（如图像和点云）中检测异常，尤其适用于多物体场景和时间数据。

    Mar, 2024

  • 深度异常检测的神经转换学习方法

    提出了一种可学习的数据变换方法，将数据嵌入语义空间，以检测异常值，此方法在时间序列和表格数据方面表现优异。

    Mar, 2021