Aug, 2023

ADFA：基于注意力增强的可微分 top-k 特征适应用于无监督医学异常检测

PDF
TL;DR稀缺的注释数据，尤其是罕见疾病的数据，限制了训练数据的多样性和可检测病变的范围，对医学影像中的监督异常检测提出了重大挑战。为了解决这个问题，我们提出了一种新的无监督医学图像异常检测方法：Attention-Augmented Differentiable top-k Feature Adaptation (ADFA)。该方法利用在 ImageNet 上预训练的 Wide-ResNet50-2 (WR50) 网络提取初始特征表示。为了减少通道维度，同时保留相关通道信息，我们在提取的特征上使用了增强型注意力补丁描述符。然后，我们应用可微分的 top-k 特征适应方法来训练补丁描述符，将提取的特征表示映射到一个新的向量空间，实现有效的异常检测。实验结果显示，ADFA 在多个具有挑战性的医学影像数据集上优于最先进的（SOTA）方法，证实了其在医学异常检测中的有效性。
发现论文，激发创造
  • 自我监督特征适应用于三维工业异常检测

    通过多模态数据和自监督特征适应方法，本文在工业异常检测领域提出了一种局部到全局的自适应特征调整方法，显著提高了特征嵌入方法的性能，并取得了超越之前最先进方法的显著成果。

    Jan, 2024

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023

  • 通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

    在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

    Jul, 2023

  • 基于对抗域特征适应的夜间图像无监督单目深度估计

    本文提出一种新的域自适应方法：Adversarial Domain Feature Adaptation (ADFA)，该方法通过训练编码器生成与白天图像相似的夜间图像特征，并使用预训练的深度解码器进行深度估计。实验证明，该方法在处理夜间图像的深度估计和视觉地点识别问题上效果显著。

    Oct, 2020

  • MiniMaxAD：用于特征丰富的轻量级自编码器的异常检测

    MiniMaxAD 是一种轻量级自编码器，其采用大卷积核、全局响应归一化单元和多尺度特征重建策略，能够高效压缩和记忆正常图像的大量信息，克服了之前的无监督异常检测方法在具有明显内部类别多样性的数据集中的困难，并在多个基准测试中取得了最先进的结果。

    May, 2024

  • 基于扩散的多类异常检测框架 DiAD

    基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

    Dec, 2023

  • 智能制造的特征异常检测系统 (FADS)

    本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

    Apr, 2022

  • 特征注意力网络（FA-Net）：基于深度学习的水下单张图像增强方法

    提出了一种基于深度学习和特征注意力的端到端网络（FA-Net），用于解决水下图像处理和分析中的低频信息限制问题，其中 Residual Feature Attention Block (RFAB) 结合了通道注意力，像素注意力和残差学习机制，并通过多跳连接跳过低频信息，取得了比现有方法更高的定量和定性精度以及优越性。

    Aug, 2023

  • 针对对抗训练的自适应特征对齐

    本文提出了自适应特征对齐的方法，通过预测双 BN 结构中的融合权重，不引入任何超参数，且在不牺牲模型标准精度的情况下，有效地提高了模型的鲁棒性，并且在 CIFAR-10、SVHN 和 tiny-ImageNet 数据集上全面超越了现有的技术。

    May, 2021

  • 少样本在线异常检测和分割

    该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

    Mar, 2024