一种分层特征重构的自编码器用于无监督异常检测
提出了一种新的改进的自编码器——记忆增强自编码器(MemAE),它通过一个内存模块来防止在异常检测中出现误检。实验表明,MemAE 在不同数据集上均拥有较好的适用性和有效性。
Apr, 2019
本文提出了一种新的方法,通过使用梯度下降法来将异常数据映射到自编码器学习的正常数据流形上,以解决自编码器重建在本地缺陷存在时的分割问题,并通过正则化项在能量函数中引入先验知识来优化投影结果,该方法比传统重建方法在多个异常检测数据集上均取得了最优结果。
Feb, 2020
本文提出了一种基于Feature-Augmented VAE的复杂异常模型的新VAE模型,该模型不仅在像素空间中重构输入图像,而且还在多个不同的特征空间中进行重构,通过对先前训练的卷积神经网络进行计算,对MVTec异常检测和定位数据集的表现明显优于现有最先进的方法。
Aug, 2020
本文提出了一种可以通过生成异常样本来解决少数异常样本数据不均衡的方法,利用自编码器和变分自编码器的双层分层潜空间表示来将合法数据的特征描述符深度提取为更强的表示,再利用这些生成器合成未见过的负样本,训练二元分类器以获得鲁棒的且无需实际异常样本训练的异常检测性能,该方法在多个异常检测基准测试中表现优异。
Oct, 2020
本研究旨在通过将专家网络的特征进行“蒸馏”以学习无监督表示,并使用这些特征检测和定位异常区域,证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识,并显著提高在多个数据集上进行异常检测和定位的性能。
Nov, 2020
我们提出了一种新颖的子空间感知特征重构框架,用于异常定位,通过学习低维子空间的自表达模型实现自适应特征逼近,从而减少内存需求并实现与最先进方法相媲美的异常定位性能。
Sep, 2023
在多类别图像异常检测中,该研究提出了一种基于向量量化和原型导向的Transformer层次化模型,通过离散的、具有代表性的原型来恢复正常图像,并采用原型导向的最优传输方法进行异常评估,实现了优于现有模型的性能。
Oct, 2023
提出了一种名为RLR(从可学习的参考表示中重建特征的异常检测框架)的新型统一特征重建型异常检测框架,利用可学习的参考表示明确地使模型学习正常特征模式,从而防止模型受到'学习捷径'问题的影响,并融入了局部约束和掩码可学习键注意机制以增强鲁棒性。在15个类别的MVTec-AD数据集和12个类别的VisA数据集上评估RLR,在统一设置下表现出比现有方法更优秀的性能。RLR的代码将公开发布。
Mar, 2024
本研究解决了自编码器在异常检测中的理论假设缺陷,指出其无法始终准确区分正常数据和异常数据。通过实验证明了异常数据能够被完美重构,强调了这一特性在安全关键应用中的潜在危险性。
Jan, 2025