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
探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外,并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。
May, 2023
本研究提出了一种基于深度学习自编码器的未监督学习方法,结合了重构与密度计算的异常得分方法,成功地应用于医学影像的异常检测,并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。
Dec, 2018
本文提出了一种基于无监督分割的异常检测方法,使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征,借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测,该方法在多个基准数据集上取得了最新技术进展,并具有实际应用潜力。
Dec, 2020
基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。
Sep, 2023
本文介绍了一种用于时间序列中的无监督在线异常检测的混合注意力和自编码器(AE)模型。该模型结合了注意力和自编码器的方法进行时间序列异常检测,通过对自编码器潜在空间中的下一个时间步骤窗口进行预测,使用验证数据集中的阈值进行异常检测,并引入了基于错误的第一统计矩的替代方法,提高了准确性。通过对多样的真实世界基准数据集进行评估,并与其他成熟模型进行比较,验证了我们提出的模型在异常检测中的有效性。
Jan, 2024
本文旨在建立无监督异常检测的可比较性,利用单一架构、单一分辨率和相同的数据集评估不同方法,并提出未来的研究方向和挑战。
Apr, 2020
这篇文章提出了一种基于深度学习技术的自编码器,通过学习超级计算机节点的正常行为来检测异常条件,测试结果表明该方法能够在正常系统行为学习阶段后,以非常好的准确率(在 88%至 96%之间)检测出之前未曾见过的异常条件,因此具有广阔的应用前景。
Nov, 2018
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。