PAD：一份姿势不可知异常检测的数据集和基准

Oct, 2023

PAD：一份姿势不可知异常检测的数据集和基准

PAD: A Dataset and Benchmark for Pose-agnostic Anomaly Detection

Qiang Zhou, Weize Li, Lihan Jiang, Guoliang Wang, Guyue Zhou...

TL;DR通过构建包含各种姿势的多姿态异常检测数据集（MAD）和提出专门设计用于姿态无关异常检测的新方法 OmniposeAD，该论文解决了机器视觉领域中物体异常检测中的两个重要挑战，并提供了开放源代码基准库以促进未来在该领域的研究和应用。

Abstract

object anomaly detection is an important problem in the field of machine vision and has seen remarkable progress recently. However, two significant challenges hinder its research and application. First, existing datasets lack comprehensive visual information from various pose angles. T

object anomaly detection pose-agnostic anomaly detection multi-pose anomaly detection (mad) dataset pose-agnostic anomaly detection (pad) benchmark omniposead

发现论文，激发创造

理解基于姿态的异常检测的挑战与机会

本研究对两个视频异常数据集进行了分析和定量化，以更好地理解基于姿势的异常检测的困难之处，并探索了基于姿势和轨迹的区别能力以及基于上下文的有效性，从而加速更好性能、更具鲁棒性的模型的开发。

Mar, 2023

BMAD: 医疗异常检测基准

本次研究针对于医学图像领域中，异常检测方法的广泛应用，建立了包含六个重新组织的数据集、三种关键指标和 14 种业内领先的 AD 算法的全面评估基准。该基准将有利于这个领域内进行公正的比较与优化，共同推进医学图像领域中异常检测算法的发展。

Jun, 2023

SplatPose 和 Detect：无姿态限制的 3D 异常检测

基于高斯喷洒技术的 SplatPose 框架提出了一种新的解决方案，实现了在不同角度下准确估计未见视角的姿势，并检测其中的异常，取得了训练和推理速度、检测性能上的最新成果。

Apr, 2024

基于图像点云融合的异常检测：以 PD-REAL 数据集为例

通过使用 Play-Doh 模型和 RealSense 相机，我们提出了 PD-REAL 数据集，用于在 3D 领域进行无监督异常检测研究，该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。

Nov, 2023

PAD：面向对抗性贴纸攻击的面片无关防御

提出了一种名为 PAD 的新颖的对抗贴纸定位和去除方法，该方法不需要先前知识或额外训练，提供了针对各种对抗贴纸的无关补丁防御，与任何预训练的物体检测器兼容。

Apr, 2024

超越基准：视频中多样化异常的检测

视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统基准范围的复杂异常。为此，我们引入了两个数据集：HMDB-AD 和 HMDB-Violence，以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection（MFAD），它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征，如姿势估计和深度图像编码，以及双帧特征，如物体速度。然后，他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常，我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设，并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中，MFAD 表现出色。

Oct, 2023

通用人脸防欺骗的深度异常检测

本文提出了一种新颖的基于深度度量学习技术的面部异常检测架构，通过引入新的损失函数 “度量 softmax”，引导学习过程中的特征向更加具有区分性的表示；同时，通过 few-shot 方法进行后验概率估计，无需训练分类器即可验证结果；实验结果表明，该方法在面部 Presentation Attack Detection 领域取得了显著的性能优势。

Apr, 2019

RAD: 基于图像异常检测鲁棒性的全面数据集

该研究介绍了一个具有自由视角、不均匀光照和模糊数据集的鲁棒异常检测（RAD）。RAD 旨在通过模拟真实世界的检查场景，重现各种成因的图像噪声，例如视角变化、不均匀光照和模糊效果，以识别工作平台上的异物。在 RAD 上评估和分析了 11 种最先进的无监督和零样本方法。研究结果表明：1）视角、光照和模糊度的变化以不同程度影响异常检测方法；2）依赖于存储器库并辅助合成异常的方法具有更强的鲁棒性；3）有效利用基础模型的通用知识是提高异常检测方法鲁棒性的一个有前途的途径。

Jun, 2024

奇异值：与邻居比较进行异常检测

本文介绍了一个新颖的异常检测问题，着重识别场景中与其他实例相比显得 “奇怪” 的对象。我们提出了两个基准测试，ToysAD-8K 和 PartsAD-15K，并通过生成每个实例的 3D 物体中心表示以及实例间的交叉验证来检测异常实例。我们对提出的基准测试中的方法进行了定量和定性的严格分析。

Jun, 2024

基于时空伪异常生成的视频异常检测：一种统一方法

通过使用预先训练的潜在扩散模型修复被屏蔽区域图像，并进一步通过混合来扰动光流以产生时间空间扭曲，提出了一种新的生成通用时空伪异常的方法。此外，通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架，在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验，证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性，通过识别伪异常从而发现现实世界的异常提供了有价值的见解。

Nov, 2023