损伤视觉开采不平衡异常检测机会
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
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
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
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
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
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
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
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