本文提出了一种名为 MAD 的新型自监督学习任务,用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分,使得模型在训练中通过学习预测掩蔽的数据能力,比传统的左到右预测任务取得更好的异常检测结果。
May, 2022
医学成像中的异常检测是一项具有挑战性的任务,可以通过无监督异常检测方法解决,该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法,以在准确性与计算需求之间取得最优化平衡,并且介绍了一个在线方法来解决大数据量下的内存使用问题,并以帕金森病患者脑部扫描的异常检测为例进行了验证。
Sep, 2023
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
我们介绍了一种名为 ANDi 的新型无监督异常检测(UAD)方法,通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型(DDPMs)中的真实反向过渡之间的差异,在多种类型的异常中展现了显著优越性。
Dec, 2023
我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略,通过对最先进的 DenseHybrid 模型的训练阶段进行修改,我们实现了显著的异常检测性能提升。此外,我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果,而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。
Aug, 2023
SAM4UDASS 是一种新颖方法,通过将 Segment Anything Model(SAM)与自训练的无监督域自适应方法相结合,用于改进伪标签和解决类别不平衡问题,在驾驶场景中实现语义分割,并与现有自训练的无监督域自适应方法无缝衔接。经过在合成到真实和正常到恶劣的驾驶数据集上的广泛实验,证明了其有效性,使用 DAFormer 在 GTA5 到 Cityscapes、SYNTHIA 到 Cityscapes 和 Cityscapes 到 ACDC 上获得超过 3% mIoU 的提升,并在使用 MIC 时达到了 SOTA 水平。
Nov, 2023
我们提出了一种从像素分类到掩膜分类的方法,通过集成异常检测方法于掩膜分类体系结构中实现对异常的改进。该方法包括全局掩膜注意力模块、掩膜对比学习和掩膜细化解决方案,能够在多项基准测试中实现最新的、基于像素和组件级别的性能。Mask2Anomaly 方法通过减少平均误报率 60% 达到了最新的最先进性能。
Jul, 2023
本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法,并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。
本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架,旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。
Mar, 2021
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