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

本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

Apr, 2023

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

尽管现有分类器的泛化能力不佳，但我们提出了一种基于机器学习的方法来从开放源中收集适当的网络安全信息。我们将三种不同的小数据技术 (转移学习，数据增强和少样本学习) 相结合，训练了一个高质量的分类器，发现 F1 得分比标准训练方法提高了超过 21 个点，比少样本学习的现有方法提高了超过 18 个点。

Jul, 2022

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。

Oct, 2023

本文提出了一种使用多个预训练卷积模型作为骨干的 few-shot 分类新方法，使用新颖的集成技术提高了准确性，同时大大减少了总参数数量，实现了实时检测，通过强调超参数搜索，该模型在竞争标准中超越了现有的最先进方法，取得了 92.30％的 5-way 5-shot 任务准确率。

Aug, 2022

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

通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.59% 的准确率，证明在解决时间序列分类中的少样本问题上具有实际应用价值。

Nov, 2023

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024

基于适配器机制提出了一种新的 Few-Shot Segmentation (FSS) 框架，设计了 Prototype Adaptive Module (PAM) 来提高 FSS 模型的性能和实现新的最先进结果。

Dec, 2023