Jun, 2024

基于类别无关配准学习的少样本异常检测

PDF
TL;DR利用一种新颖的少样本异常检测（Few-Shot Anomaly Detection，FSAD）框架，该框架基于注册作为自监督类别无关表示学习的代理任务，并通过将测试图像的注册特征与其对应支持图像特征进行比较来识别异常，使模型能够泛化到新的测试类别。
anomaly detectionfew-shotframeworkself-supervised learninggeneralization
发现论文，激发创造
  • 基于注册的少样本异常检测

    本文提出一种少样本异常检测方法，通过注册任务作为代理任务，训练一个通用的无类别模型来检测输入图像是否为异常，并在大型基准测试中实现了优于现有方法 3％-8％的表现。

    Jul, 2022

  • COFT-AD：对少样本异常检测的对比微调

    在本研究中，我们提出了一种新的方法来解决少样本异常检测（FSAD）的挑战，该方法包括使用预先训练的模型初始化权重，采用对比性训练来优化少样本领域数据，以及使用正样本对齐和负样本分离等技术来学习适合于异常检测的表示。我们对 3 个受控异常检测任务和 4 个真实世界异常检测任务进行了评估，以展示所提方法的有效性。

    Feb, 2024

  • 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

  • Few-shot 场景自适应异常检测

    利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

    Jul, 2020

  • 多标签少样本方面类别检测的标签驱动去噪框架

    该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。

    Oct, 2022

  • 少样本目标检测：研究进展与挑战

    本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法，得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

    Apr, 2024

  • 零样本异常检测无需基础模型

    本文探讨异常检测中的零样本适应问题，并提出了一种简单而高效的基于批归一化和元训练的零样本异常检测方案，在表格数据和图像数据中获得了最新的表现。

    Feb, 2023

  • SF-FSDA: 高效标记数据工厂的无源少样本域自适应目标检测

    本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。

    Jun, 2023

  • 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