Jul, 2023

损伤视觉开采不平衡异常检测机会

PDF
TL;DR在这项研究中，我们概述了在视觉检测、异常检测、损坏数据挖掘和预测性维修方面的不平衡数据问题，并提供了在木材、混凝土损坏和灾难损害等视觉数据集上的清晰示例，证明了正例比率范围越大，异常检测应用的准确性提高越高的假设结果。
发现论文，激发创造
  • 利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据

    本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

    May, 2023

  • 视觉异常检测调研：挑战、方法和前景

    对视觉异常检测进行了全面的调查，发现了样本数量、数据模态和异常层次结构等方面的主要挑战，并汇总了未来发展的方向和该调查的主要发现和贡献。

    Jan, 2024

  • 深度异常检测中的假设重新思考

    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

  • 分析和减轻弱势群体偏见：迈向数据集的平衡代表性

    通过对脆弱道路用户的分类不平衡、性能评估和偏见影响评估进行研究，我们提出了一种模型优化和偏见缓解的方法，包括数据增强、重采样和度量特定学习，以改善自动驾驶中感知系统的准确性和公正性。

    Jan, 2024

  • 针对不平衡数据集的二进制语义分割的生成对抗网络的再探讨

    基于条件生成对抗网络的深度学习框架，用于道路图像中像素级异常区域检测，实现了在多变数据集上高效稳健的最先进结果。

    Feb, 2024

  • 针对行车记录仪视频的异常检测

    本文提出了一种基于深度学习的异常检测方法，通过数据集 RetroTrucks 以及静态摄像头数据集对单类分类损失和重构损失的应用，以及对象交互建模，实现对车载摄像头录像中不同驾驶行为的检测和识别。

    Apr, 2020

  • 失衡航空器数据异常检测

    提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

    May, 2023

  • 基于多视角深度学习的可靠后灾害损伤分类

    探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法，提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。

    Aug, 2022

  • 电力线路绝缘子自动检测的异常检测

    基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障，结果表明在较少的真实异常样本训练集下，该模型能够准确地识别绝缘子盘上的故障区域，但有一些错误预测。

    Nov, 2023

  • 迈向公平的深度异常检测

    本文提出了一种新的公平异常检测方法 Deep Fair SVDD，采用对抗网络训练来解决深度学习可能存在的社会偏见问题，并提出了两种有效公平性指标。在实验中，我们发现现有的深度异常检测方法存在不公平性，而我们的方法能够在最小损失性能的情况下消除不公平性，并进行了深入分析以证明方法的优点和局限性。

    Dec, 2020