用于少样本异常检测的双路径频率鉴别器
我们开发了一种创新的双路径耦合去雨网络(DPCNet),通过空间特征提取块(SFEBlock)和频率特征提取块(FFEBlock)在空间和频率域中整合信息,并引入了一种有效的自适应融合模块(AFM)来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明,不仅超越了现有的最先进去雨方法,而且在下游视觉任务中具有出色的鲁棒性和视觉效果。
Feb, 2024
在本研究中,我们提出了一种新的方法来解决少样本异常检测(FSAD)的挑战,该方法包括使用预先训练的模型初始化权重,采用对比性训练来优化少样本领域数据,以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估,以展示所提方法的有效性。
Feb, 2024
本文提出一种少样本异常检测方法,通过注册任务作为代理任务,训练一个通用的无类别模型来检测输入图像是否为异常,并在大型基准测试中实现了优于现有方法 3%-8%的表现。
Jul, 2022
本文提出了一种基于时间 - 频率分析的时序异常检测模型,TFAD,能够利用时间和频率域中的信息来提高性能,并在设计的时频架构中加入了时序分解和数据增强机制,以进一步提高性能和可解释性。经实证研究表明,该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。
Oct, 2022
本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法(FADS),它无需调整 CNN 权重就能表现出优秀的性能,能够准确地检测工业自动化和零部件质量保证中的异常情况,同时可以用于增材制造和过程参数变化检测。
Apr, 2022
通过频域学习提高深伪造图像检测器的泛化性能,包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块,实现了先进的性能 (+9.8%),并且所需参数更少。
Mar, 2024
本文提出了一种名为 “Dual Shot Face Detector (DSFD)” 的新型人脸检测网络,通过三个关键方面的改进:改善特征学习、优化损失设计、数据增强,达到了超越现有人脸检测器的效果。
Oct, 2018
本文提出了 D-PAD,一种深浅多频模式解缠深度学习神经网络,通过引入多组分分解块(MCD block)将时间序列分解为不同频率范围的分量,进而通过分解 - 重构 - 分解(D-R-D)模块渐进性地提取混合在分量中的频率信息,并利用交互与融合(IF)模块进一步分析分量,通过对七个真实数据集的广泛实验表明,D-PAD 达到了最先进的性能,平均 MSE 和 MAE 分别优于最佳基准线 9.48%和 7.15%。
Mar, 2024
本研究提出了一种称为 Deep Frequency Filtering(DFF)的技术,可以通过调节深度神经网络中的不同频率组件来学习域通用特征在跨域转移时具有更好的泛化能力。通过 Fast Fourier Transform(FFT)技术和注意力机制,DFF 可以增强可转移的频率成分并抑制不利于泛化的成分。在多种跨域泛化任务中,DFF 优于现有技术并获得了最佳性能。
Mar, 2022
基于扩散模型的异常检测中,提出了一种适用于多类异常检测的扩散异常检测(DiAD)框架,包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导(SG)网络,以及特征空间预训练特征提取器。通过实验证明了该方法的有效性,并超过了多类 MVTec-AD 数据集上的最先进方法,即对于多类 MVTec-AD 数据集的本地化和检测,达到了 96.8/52.6 和 97.2/99.0(AUROC/AP)。
Dec, 2023