工业场景中的异常多分类：将 Few-shot Learning 转移到新任务中

Jun, 2024

工业场景中的异常多分类：将 Few-shot Learning 转移到新任务中

Anomaly Multi-classification in Industrial Scenarios: Transferring Few-shot Learning to a New Task

Jie Liu, Yao Wu, Xiaotong Luo, Zongze Wu

TL;DR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。

Abstract

In industrial scenarios, it is crucial not only to identify anomalous items but also to classify the type of anomaly. However, research on anomaly multi-classification remains largely unexplored. This paper proposes a novel and valuable research task called anomaly multi-classification

anomaly multi-classification few-shot learning relationnet patchcore contrastive learning

发现论文，激发创造

用于少样本视觉异常分类的 PatchProto 网络

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

一种分层转换 - 判别生成模型用于少样本异常检测

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

基于原型网络和对比学习的工业网络物理系统少样本异常检测

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

微服务系统跨系统少样本异常追踪分类

我们提出了一种针对微服务系统的少样本异常追踪分类的新框架，该框架可以适应不同系统和跨系统的追踪分类任务，证明了在人工智能运维工具中实现少样本异常追踪分类的可行性，并展示了如何减少对系统特定数据标注的要求。

Mar, 2024

小样本弱监督网络安全异常检测

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

为少 / 多样本异常检测优化 PatchCore

研究表明对 PatchCore 算法进行超参数优化和迁移用于少样本异常检测及异常分割可以显著提高其性能，并提出了对具有强归纳偏差的特征提取器的研究作为未来的潜在方向。

Jul, 2023

工业异常检测中的全面回顾

本文提出了一种名为 PatchCore 的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6％的图像级异常检测 AUROC 分数，并在其他两个数据集中取得了竞争性结果。

Jun, 2021

多模态工业异常检测通过交叉模态特征映射

这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

Dec, 2023

少样本分类中的泛化思考

通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

Jun, 2022

少样本在线异常检测和分割

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