Oct, 2023

基于原型的图像异常检测和定位的神经网络

PDF
TL;DRProtoAD 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。
image anomaly detectionlocalizationprotoadneural networkanomaly regions
发现论文，激发创造
  • 用于少样本视觉异常分类的 PatchProto 网络

    本论文研究了少样本学习（FSL）的实际问题，通过利用充足的正常样本，提出了 PatchProto 网络用于少样本异常分类。与传统方法不同，PatchProto 网络仅提取感兴趣区域的缺陷 CNN 特征，并将其作为少样本学习的原型。实验结果显示 PatchProto 网络显著提高了少样本异常分类的准确性。

    Oct, 2023

  • 用于异常检测和定位的原型残差网络

    该研究提出一种名为 PRN 的框架，通过学习异常和正常模式之间的特征残差，以准确重构异常区域的分割图。PRN 包括多尺度原型和多尺寸自注意机制，以及多种异常生成策略，并在多个数据集上实验证明其优于目前的无监督和监督方法。

    Dec, 2022

  • VT-ADL: 用于图像异常检测和定位的视觉 Transformer 网络

    本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

    Apr, 2021

  • 混合深度网络用于异常检测

    本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

    Aug, 2019

  • 原型在时间序列异常检测中的解释作用

    该论文提出了一种名为 ProtoAD 的模型，使用基于示例的原型来解释深度模型中的正常模式状态，旨在提高深度模型的透明度和可理解性，进一步提高异常检测的精度和性能。

    Jul, 2023

  • PatchAD：基于补丁的 MLP-Mixer 用于时间序列异常检测

    PatchAD 是一种新颖的多尺度基于补丁的 MLP-Mixer 架构，利用对比学习进行表示提取和异常检测的方法，通过使用 MLP 架构，高效轻量化地实现了一种先进的异常检测方案。

    Jan, 2024

  • 工业异常检测中的全面回顾

    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

  • 视觉异常分割的神经结构搜索

    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

  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022

  • SoftPatch：无监督的带噪数据异常检测

    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