ADer: 综合多类视觉异常检测基准
本次研究针对于医学图像领域中,异常检测方法的广泛应用,建立了包含六个重新组织的数据集、三种关键指标和 14 种业内领先的 AD 算法的全面评估基准。该基准将有利于这个领域内进行公正的比较与优化,共同推进医学图像领域中异常检测算法的发展。
Jun, 2023
该研究论文旨在建立一个统一实施和比较的基准,对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估,并比较了二十七种典型的异常检测方法,首次对现有方法中的关键组件进行了正式探索,明确了未解决的挑战和潜在的未来方向。
Apr, 2024
构建了一个大规模通用的 COCO-AD 数据集,提出了一些实用的基于阈值的 AD 特定度量标准,并通过提出的 InvAD 框架改进了基于重构的方法在多类无监督设置下的有效性。
Apr, 2024
自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集,并提出了一种基于分割的异常检测器,其在该数据集上表现出先进性能。
May, 2024
本文通过对 30 种算法在 57 个数据集上进行广泛实验,从不同角度回答了关于异常检测算法与监督程度、异常类型、噪声数据表现的问题。在对 ADBench 数据集进行全面介绍的同时,文章提出了未来算法选择和设计方向,并且为作者贡献的数据集提供了公正的比较基线算法。文中开源了 ADBench 数据集及相应结果,具有较高的可访问性和可复现性。
Jun, 2022
视频异常检测(VAD)在现代监控系统中扮演着关键角色,旨在识别真实情境中的各种异常。然而,当前基准数据集主要强调简单的单帧异常,如新颖物体检测,这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中,我们主张扩展 VAD 研究,涵盖超越传统基准范围的复杂异常。为此,我们引入了两个数据集:HMDB-AD 和 HMDB-Violence,以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection(MFAD),它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征,如姿势估计和深度图像编码,以及双帧特征,如物体速度。然后,他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常,我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设,并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中,MFAD 表现出色。
Oct, 2023
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
本研究探讨异常检测在图像领域的深度学习方法,通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较,发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
提出了一个大规模、真实世界的多视角工业异常检测数据集(Real-IAD),包含 30 种对象的 15 万张高清图片,相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例,具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后,为推动 IAD 领域的发展提供了一个极具挑战性的基准。
Mar, 2024