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
提出一种基于 DifferNet 的解决方案，利用 SENet 和 CBAM 作为骨干网络的注意力模块，通过对三个不同的视觉检测和异常检测数据集（MVTec AD、InsPLAD 故障和半导体晶片）进行改进，提高了检测和分类能力，并通过定量和定性评估显示了改进的结果。
Jan, 2024
本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。
Jul, 2019
本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。
Feb, 2022
在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。
Jun, 2024
本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。
Aug, 2019
通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。
Nov, 2023
通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。
针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。
May, 2018
本文基于卷积神经网络、时间序列数据，提出了一种有效的视频异常检测与定位方法，通过实验结果表明该方法在准确性方面胜过现有方法。
Sep, 2016