Oct, 2023

基于概念的零售商店异常检测与移动机器人自动纠正

PDF
TL;DR使用基于概念的异常检测方法和视觉转换器（ViT），Co-AD 能够检测出零售物品中的放错物品，达到 89.90% 的峰值成功率，比基准的标准 ViT 自编码器的 80.81% 高。此研究旨在开发减少零售店铺管理中人为干预需求的自主移动机器人解决方案。
inventory trackingmisplaced itemsvision-based techniquesanomaly detectionretail store management
发现论文，激发创造
  • 复杂工业图像的监督异常检测

    自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

    May, 2024

  • 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

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022

  • voraus-AD 数据集用于机器人应用中的异常检测

    工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

    Nov, 2023

  • 可调和逻辑工业视觉检测的构件感知异常检测框架

    本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

    May, 2023

  • 基于图像转换的目标类感知视频异常检测

    该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。

    May, 2022

  • 多模态工业异常检测通过交叉模态特征映射

    这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

    Dec, 2023

  • PKU-GoodsAD: 无监督异常检测和分割用的超市商品数据集

    本研究介绍了超市商品异常检测 (GoodsAD) 数据集，该数据集包含 484 种不同出现方式的商品的 6124 张高分辨率图像，每个类别包含几种常见的异常类型，并对所有异常提供像素精确的地面真实区域，并对当前最先进的无监督异常检测方法进行了彻底的评估。

    Jul, 2023

  • 自适应视角合成下的多目标场景不变视角像素异常检测

    使用一种名为 OmniAD 的新型网络，通过改进逆向蒸馏的异常检测方法，提高了像素级异常检测性能，同时借助新的数据增强策略，即视图综合和相机定位，提高了对未完美对齐图像的泛化能力。通过在多对象数据集 ToyCity 和单对象数据集 MAD 上进行定性和定量结果验证，验证了这种方法的有效性。

    Jun, 2024

  • PUAD: 强大异常检测的令人沮丧地简单方法

    开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

    Feb, 2024