电力线路绝缘子自动检测的异常检测
通过使用一类无监督学习方法,使用深度卷积神经网络进行图像完成,以完成缺件区域的图像,并使用像素重建误差进行异常检测的方法,有效用于检测表面装饰塑料零件的显著异常,并且此方法优于其他测试方法。
Nov, 2018
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
本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架,该框架结合了无监督、半监督和监督学习算法,同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。
Dec, 2022
基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统,在考虑了本地子序列中包含的不同特征信息的基础上,自动学习环境传感器变量之间的复杂线性和非线性依赖关系,利用重构误差和判别误差的异常得分计算方法,可以高实时性地监测实际传感器数据的异常点,适用于智能卫星物联网系统。大多数情况下,异常检测优于基准方法,具有很好的可解释性,可用于监测环境传感器,预防工业事故和网络攻击。
Mar, 2024
本研究探讨异常检测在图像领域的深度学习方法,通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言,我们提出了一种方法,即在可用的情况下,使用有关故障分类法(fault taxonomy)的标签来提高未知故障检测性能,而不损失模型性能。为实现这一目的,我们提出利用软标签技术来改进先进的深度新颖故障检测技术,并提出用于在线新颖故障检测的层次一致的检测统计量。最后,我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能,结果在多个场景和基准检测方法中得到了良好的复制。
Mar, 2024
在线自适应异常检测利用转移学习,选择视觉上相似的训练图像,并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型,通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测,实验结果表明检测精度超过 0.975,优于现有的 ET-NET 方法。
Jun, 2024
本文综述了现代深度学习技术在图异常检测中的应用,编译了开放资源的实现、公共数据集和常用评估方法,重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。
Jun, 2021
本研究提出应用深度模型代替传统模型以减少误报率并通过使用大数据和深度模型获得更少的错误报告。在 NSL-KDD 基准测试上进行了实验,并与传统学习中最常用的分类器之一进行了比较,结果表明使用深度学习相对于传统学习具有较低的虚警率 10%。
Sep, 2022
我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略,通过对最先进的 DenseHybrid 模型的训练阶段进行修改,我们实现了显著的异常检测性能提升。此外,我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果,而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。
Aug, 2023