射击之前的目标:通过级联补丁检索在一毫秒内实现准确的异常检测和定位
本文提出了一种名为 PatchCore 的方法,它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6%的图像级异常检测 AUROC 分数,并在其他两个数据集中取得了竞争性结果。
Jun, 2021
该论文提出了一种在密集场景中进行实时异常检测和定位的方法,在该方法中,视频被定义为非重叠立方块的集合,并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动,并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明,该算法优于 UCSD ped2 和 UMN 基准的最新方法,而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。
Nov, 2015
本文介绍了 AutoPatch,将神经架构搜索应用到分割视觉异常的复杂任务中。提出了加权平均精度(wAP)作为替代 AUROC 和 AUPRO 的度量标准,并提出了一种新的神经架构搜索方法,能够在没有任何训练的情况下高效地进行视觉异常分割。在 MVTec 数据集上,AutoPatch 优于当前最先进的方法 PatchCore,仅使用每个异常类型的一个样本的条件下,FLOPS 少 18 倍以上。
Apr, 2023
本文首次考虑图像感应异常检测中的标签级噪声问题,提出了一种基于记忆的无监督异常检测方法 SoftPatch,该方法能够有效地去噪,并在补丁级别上生成异常分数以软化异常检测边界,在各种噪声场景下,SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法,在无噪声设置下与其他方法效果相当。
Mar, 2024
通过自监督学习和视觉变换网络,提出一种用于视频异常检测的方法,能够有效地保留视频帧的空间和时间上的一致性,并且在三个公共基准测试中表现优于像素生成方法和其他自监督学习方法。
Mar, 2024
ProtoAD 是一种基于原型的神经网络,用于图像异常检测和定位,通过提取正常图像的补丁特征,并通过非参数聚类学习正常补丁特征的原型,构建了图像异常定位网络 ProtoAD,无需训练阶段即可进行端到端的异常检测和定位。
Oct, 2023
这篇论文探讨了工业多模态异常检测任务,利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架,它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时,通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明,我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能,同时实现了更快的推理速度和更低的内存占用,优于先前的多模态异常检测方法。此外,我们提出一种层裁剪技术,在性能上略有损失的同时提高了内存和时间效率。
Dec, 2023
我们提出了一种多尺度时空交互网络(MSTI-Net),采用基于注意力机制的时空融合模块(ASTM)代替直接融合,并注入多个 ASTM 基础的连接,以促进所有可能的空间时间交互,最终将在多个尺度上学习的正常信息记录在内存中,在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果,UCSD Ped2 的 AUC 值达到了 96.8%,CUHK Avenue 的 AUC 值达到了 87.6%,ShanghaiTech 数据集的 AUC 值达到了 73.9%。
Jun, 2023
计算机视觉中,使用深度学习方法中仍存在的问题是异常检测无法被实时发现,并且在进行异常标注的时候,需要付出很高昂的代价。本研究提出的方法用一个统一的框架解决上述问题,通过训练一个滑动型视觉变压器来提高准确性,使得半监督学习成为可能,并且进一步通过引入新的数据增强方法来降低标注成本,经过实验证明,该方法表现优于当前最先进的方法。
Jun, 2023