CVPRAug, 2023

多尺度记忆比较在零 / 少样本异常检测中的应用

PDF
TL;DR提出了一个简单而强大的多尺度记忆对比框架用于零 / 少样本异常检测，在 Visual Anomaly and Novelty Detection (VAND) 竞赛中取得了零样本组第四名和少样本组第二名的显著成果。
anomaly detectionzero-/few-shotindustrial defect detectionmulti-scale memory comparison frameworkvisual anomaly and novelty detection (vand) competition
发现论文，激发创造
  • CVPR 2023 VAND 工作坊挑战赛 1 和 2 的零 / 少样本异常分类和分割方法：在零样本 AD 上获得第一名，在少样本 AD 上获得第四名

    本文介绍了用于工业视觉检测的一个方案，该方案使用 CLIP 模型和多个存储器来实现无标准参考图像的零射和少射跟踪，从而实现对大量产品类型的快速自适应，并在 VAND 2023 挑战赛中获得了一等奖。

    May, 2023

  • 一种分层转换 - 判别生成模型用于少样本异常检测

    本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。

    Apr, 2021

  • 医疗领域零样本和少样本人工智能算法综述

    通过少样本学习、零样本学习和常规目标检测方法的比较研究，发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外，综述了最近三年的研究，介绍了少样本学习和零样本学习方法在解决挑战中的应用，并且指出了该领域中的进一步研究方向。

    Jun, 2024

  • Few-shot 场景自适应异常检测

    利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

    Jul, 2020

  • 从机器标注的网络图片中进行小样本物体识别

    本研究提出一种基于抽象记忆的架构，利用机器标注数据，通过查询外部记忆库中与查询问题视觉相似的数据，并将有用的信息写入到抽象记忆中，最终实现了对新领域物体的准确识别。

    Dec, 2016

  • 任意次数目标检测

    本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

    Mar, 2020

  • 多尺度记忆比较器变压器用于少样本视频分割

    我们提出了一种元学习的多尺度记忆比较器，用于少样本视频分割，该方法在不同任务中进行尺度间的信息交换，保护细节特征以达到最先进的性能表现。

    Jul, 2023

  • 基于注册的少样本异常检测

    本文提出一种少样本异常检测方法，通过注册任务作为代理任务，训练一个通用的无类别模型来检测输入图像是否为异常，并在大型基准测试中实现了优于现有方法 3％-8％的表现。

    Jul, 2022

  • 小样本弱监督网络安全异常检测

    本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

    Apr, 2023

  • 零样本异常检测无需基础模型

    本文探讨异常检测中的零样本适应问题，并提出了一种简单而高效的基于批归一化和元训练的零样本异常检测方案，在表格数据和图像数据中获得了最新的表现。

    Feb, 2023