超越已知:对抗自编码器的新颖性检测
该论文基于深度学习编码 - 解码器网络架构,提出了一种概率方法来检测新数据点,并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明,在多个基准数据集上,该方法能够达到最先进水平。
Jul, 2018
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法,通过最大似然优化与正常样本重建相结合的方式,成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能,而且不做任何新奇性的假设,可适用于各种不同的场景。
Jul, 2018
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法,通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较,实验结果表明该方法优于那些算法。
Jan, 2021
使用基于重构自编码器的方法处理离群样本检测问题,通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能,达到了各类基准测试的最新技术水平。
Mar, 2022
本文提出了一种基于生成式对抗网络的端到端架构,用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题,其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明,该方法有效地学习了目标类,并优于基线和最先进的方法。
Feb, 2018
研究了使用新型的自编码器方法来提高新颖性检测,使用 Mask Module 生成最优的遮罩,通过两个竞争的网络来优化输入遮罩,达到了比传统方法更好的效果。
Mar, 2021
本文提出了一种对抗框架,由 Adversarial Distorter 和 Autoencoder 两个部分组成,利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示,实现了对图像和视频数据集上的异常检测的最新性能的提升。
Jul, 2022
本文针对在安全关键应用中如自主车辆系统的分类验证需求,提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值,以提高异常检测性能。
Dec, 2018
本研究提出了一种简单而高效的基于重构的方法,用于检测计算机视觉中的分类外样本,该方法不仅具有比 GAN 等模型更好的性能,还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上,我们的模型在检测新奇样本方面实现了比现有方法显着的改进。
Oct, 2022