ICCVAug, 2023

基于层次增强的单向汇聚对比学习用于异常检测

PDF
TL;DR本论文提出了一种名为 UniCon-HA 的方法，通过结合监督和无监督的对比损失，明确鼓励正常样本的集中和虚拟异常样本的分散。通过软机制对每个扩增的正常样本进行重新加权，以确保纯净的集中。此外，通过采用易到难的层次化增强策略，并根据数据增强的强度在网络的不同深度进行对比聚合，以促进更高的集中。在三个异常检测设置下进行了评估，包括无标签单一类别、无标签多类别和有标签多类别，结果表明该方法在各方面均优于其他竞争方法。
anomaly detectionself-supervised learningcontrastive learningaugmentationcurriculum learning
发现论文，激发创造
  • 医学影像非监督异常检测和定位的约束对比分布学习

    提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

    Mar, 2021

  • 遮蔽对比学习用于异常检测

    本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”，其更适用于异常检测，并提出了一种自我集成推断方法，通过利用辅助自我监督任务学习的能力进一步提高模型性能，在各种基准数据集上的表现显著超过以往的最先进方法。

    May, 2021

  • CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

    我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

    Nov, 2023

  • 多层次显著性引导的自监督学习在图像异常检测中的应用

    本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

    Nov, 2023

  • 对比学习的自适应数据增强

    本研究提出了一种名为 AdDA 的自适应数据增强（Adaptive Data Augmentation）方法，通过在训练过程中实时反馈调整数据增强的组合，优化对比学习网络的表示学习效果，并在 ImageNet-100 数据集上进行了测试。

    Apr, 2023

  • 无监督连续异常检测中的对比学习提示

    无监督的持续异常检测方法 UCAD 通过对比学习的提示来提供无监督异常检测的持续学习能力，并使用基于结构的对比学习 (SCL) 和 Segment Anything Model (SAM) 来改进提示学习和异常分割结果。

    Jan, 2024

  • 基于对比自监督学习的属性网络异常检测

    本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

    Feb, 2021

  • 针对监督学习和对比学习同时的高效可用性攻击

    通过采用对比样本增强的方式，在监督学习和对比学习算法中实现了卓越的模型无法学习性能，以提高数据保护的能力。

    Feb, 2024

  • 精准分布：粗到细的非对比学习用于异常检测和定位

    该研究提出了一种新的无监督异常检测和定位框架，通过粗到精的对齐过程从正常图像中学习密集和紧凑的分布，引入了称为非对比学习的新预文本任务，并在真实工业数据集上取得了最新的检测效果。

    Oct, 2021

  • 自适应增强的图形对比学习

    本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

    Oct, 2020