Sep, 2023

无监督异常定位的子空间感知特征重构

PDF
TL;DR我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。
unsupervised anomaly localizationadaptive feature approximationsubspace-aware feature reconstructionanomalous regionsindustrial benchmark datasets
发现论文，激发创造
  • DFR: 无监督异常分割的深度特征重建

    本文提出了一种基于无监督分割的异常检测方法，使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征，借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测，该方法在多个基准数据集上取得了最新技术进展，并具有实际应用潜力。

    Dec, 2020

  • 工业异常检测与定位的噪声到规范重构

    提出了一种基于重建的方法，利用噪声到规范范式来检测工业质量检测中的异常，通过多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。

    Jul, 2023

  • 一种分层特征重构的自编码器用于无监督异常检测

    无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

    May, 2024

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 无监督异常检测的鲁棒子空间恢复层

    提出了一种基于神经网络的无监督异常检测方法，采用鲁棒子空间恢复层，该层从给定数据的潜在表示中提取基础子空间，并去除偏离该子空间的异常值，在图像和文档数据集上进行了广泛的数值实验，并展现了最先进的精确度和召回率。

    Mar, 2019

  • 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

  • 多分辨率知识蒸馏用于异常检测

    本研究旨在通过将专家网络的特征进行 “蒸馏” 以学习无监督表示，并使用这些特征检测和定位异常区域，证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识，并显著提高在多个数据集上进行异常检测和定位的性能。

    Nov, 2020

  • CFA: 基于耦合超球特征适应的目标导向异常定位

    提出了 Coupled-hypersphere-based Feature Adaptation (CFA) 方法，它通过特征自适应到目标数据集来实现对异常数据的准确定位及区分，CFA 采用可学习的补丁描述符和可扩展的内存库，结合预训练 CNN 进行传递学习，实验证明其在异常检测和定位方面取得了优异的性能，最高 AUROC 分别达到 99.5％和 98.5％。

    Jun, 2022

  • 无监督异常定位在工业图像中的应用：一个调研

    本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

    Jul, 2022

  • 基于知识驱动的自我训练的重建式异常定位

    本文提出了一种名为知识驱动自训练（KIST）的新型重建方法，通过自学习将知识融入重建模型中，利用弱标记的异常样本和领域专家总结的异常知识，生成像素级伪标签，实现对正常像素的重建同时抑制异常像素的重建，从而在异常定位任务中取得比现有重建方法更好的性能。

    Feb, 2024