Oct, 2023

用于少样本视觉异常分类的 PatchProto 网络

PDF
TL;DR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。
visual anomaly diagnosisanomaly classificationfew-shot learningpatchproto networksmvtec-ad dataset
发现论文，激发创造
  • 基于原型网络和对比学习的工业网络物理系统少样本异常检测

    本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。

    Feb, 2023

  • 工业场景中的异常多分类：将 Few-shot Learning 转移到新任务中

    本文提出了一个名为异常多分类的新颖而有价值的研究任务，并介绍了一种结合了 RelationNet 和 PatchCore 的基线模型，以及一种数据生成方法和对比学习，旨在在工业场景中实现将 few-shot learning 转化的性能改进。在 MvTec AD 和 MvTec3D AD 上的实验证明了我们方法在这个新任务中表现出优越的性能。

    Jun, 2024

  • 基于原型的图像异常检测和定位的神经网络

    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

  • 使用原型网络的半监督和主动少样本学习

    本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

    Nov, 2017

  • 用于病理图像少样本分类的双通道原型网络

    从少量示例中提取多尺度高精度病理特征，通过双通道原型网络实现少样本病理图像分类任务的准确性提升。

    Nov, 2023

  • 一种分层转换 - 判别生成模型用于少样本异常检测

    本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。

    Apr, 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

  • 少样本学习的原型网络

    本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

    Mar, 2017

  • 面向 Few-shot 语义分割的 Part-aware 原型网络

    本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

    Jul, 2020

  • 少样本学习的原型校正

    本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。

    Nov, 2019