ICCVAug, 2023

贪婪特征值分量选择的高斯图像异常检测

PDF
TL;DR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。
anomaly detectiondimensionality reductionpre-trained convolutional neural networktree search approachesdetection accuracy
发现论文，激发创造
  • 图像异常检测的启发式超参数选择

    图像中的异常检测是一个基本的计算机视觉问题，我们提出了一种减少特征维度的算法，并利用预训练模型提取的深层特征进行异常检测，以提高性能和降低计算成本。

    Jul, 2023

  • 高斯混合全卷积变分自编码器实现视频异常检测和定位

    提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

    May, 2018

  • ADGym: 深度异常检测的设计选择

    该论文介绍了 ADGym，这是一个专为深度方法中的异常检测设计元素进行全面评估和自动选择而设计的平台。通过广泛的实验，表明仅仅采用现有的先进方法并不理想，使用 ADGym 构建的模型显著超越目前最先进的技术。

    Sep, 2023

  • 使用对抗自编码器实现图像中的稳健异常检测

    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

  • 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

  • 使用同时编码器训练从受污染的图像数据中无监督地学习异常检测

    本研究提出一种使用生成对抗网络结合编码器进行无监督学习的异常检测方法，能够在污染数据的情况下识别图像中的异常，并在 CIFAR-10 数据集和一个未经测试的细胞图像数据集上实现了最先进的性能。

    May, 2019

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 可调和逻辑工业视觉检测的构件感知异常检测框架

    本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

    May, 2023

  • 超越熟悉特征的深度异常检测

    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

  • 通过张量分解进行电网异常检测

    通过使用非负张量分解的统计行为分析方法，我们在聚变反应实验中展示了提高特异性和准确性的能力，从而能够识别出电网系统中的异常情况。

    Oct, 2023