奇异值：与邻居比较进行异常检测

Jun, 2024

奇异值：与邻居比较进行异常检测

Odd-One-Out: Anomaly Detection by Comparing with Neighbors

Ankan Bhunia, Changjian Li, Hakan Bilen

TL;DR本文介绍了一个新颖的异常检测问题，着重识别场景中与其他实例相比显得 “奇怪” 的对象。我们提出了两个基准测试，ToysAD-8K 和 PartsAD-15K，并通过生成每个实例的 3D 物体中心表示以及实例间的交叉验证来检测异常实例。我们对提出的基准测试中的方法进行了定量和定性的严格分析。

Abstract

This paper introduces a novel anomaly detection (AD) problem that focuses on identifying `odd-looking' objects relative to the other instances within a scene. Unlike the traditional AD benchmarks, in our setting, anomalies in this context are scene-specific, defined by the regular inst

anomaly detection odd-looking objects scene-specific anomalies 3d object-centric representations benchmark analysis

发现论文，激发创造

深度异常检测中的假设重新思考

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

自适应视角合成下的多目标场景不变视角像素异常检测

使用一种名为 OmniAD 的新型网络，通过改进逆向蒸馏的异常检测方法，提高了像素级异常检测性能，同时借助新的数据增强策略，即视图综合和相机定位，提高了对未完美对齐图像的泛化能力。通过在多对象数据集 ToyCity 和单对象数据集 MAD 上进行定性和定量结果验证，验证了这种方法的有效性。

Jun, 2024

暴露离群值：从少、一个、零个异常值图像中学到什么

本论文利用大量的随机图像来代表异常性，通过一些经过改进的学习方法、标准分类器和一类半监督的方法进行训练，发现无论何时在已有数据的基础上添加一个训练异常样本能够达到很不错的结果（在 ImageNet 基准测试下的 AUC 值可以达到 79.3%），并表明一类方法对于训练异常样本的选择更加鲁棒，与标准分类器相比具有优势，并且在使用 CLIP 表示学习时，零样本的情况下可以实现 ImageNet 上的最新异常检测结果。

May, 2022

超越熟悉特征的深度异常检测

使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

Oct, 2023

盲动态特征聚类下的异常检测

本文主要研究工业对象 / 纹理的视觉异常检测，提出了一种名为 PatchCluster 的新方法，能够准确检测图像和像素级别的异常情况，无需已知正常数据并且在性能上与需要已知正常数据的一类设置中的最先进方法相当。

Jul, 2023

MedIAnomaly：医学图像异常检测的比较研究

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

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

基于图像转换的目标类感知视频异常检测

该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。

May, 2022

OoDIS：异常实例分割基准

自主车辆需要准确理解其环境以安全导航。通过识别未知物体，特别是那些在训练过程中不存在的野生动物，以防止严重事故的发生非常重要。虽然语义分割方法在异常物体的识别方面取得了重大进展，但全面理解场景动态需要分割单个物体，因此实例分割至关重要。然而，由于缺乏专门的基准测试，这一领域的发展一直滞后。为了填补这一空白，我们将最常使用的异常分割基准测试扩展到实例分割任务。我们对异常实例分割方法的评估表明，这个挑战仍然是一个未解决的问题。可以在该网站和竞赛页面找到基准网址：[insert URL]。

Jun, 2024

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