Jul, 2024

缺陷表达的特征衰减可解决异常检测中的不完全屏蔽

HTML
PDF
TL;DR我们通过分析和改进重建填补方法，提出了一种名为FADeR的特征衰减缺陷表示的方法，该方法使用仅两个MLP层，在解码期间减弱了异常重建的特征信息，从而减少了误报。与相似规模的神经网络相比，实验结果表明FADeR实现了卓越的性能。此外，我们的方法还展示了与其他单确定性遮蔽方法的可插拔性能提升方面的可扩展性。
发现论文，激发创造
  • 多分辨率知识蒸馏用于异常检测

    本研究旨在通过将专家网络的特征进行“蒸馏”以学习无监督表示，并使用这些特征检测和定位异常区域，证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识，并显著提高在多个数据集上进行异常检测和定位的性能。

    Nov, 2020

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了sample-efficient考虑，实现了对少量标注样本的训练，并在9个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • 自监督预测卷积注意力块用于异常检测

    本研究提出了一种自监督预测建筑模块，将基于重建的功能集成到其中，以此提高现有图像和视频异常检测方法的性能。

    Nov, 2021

  • 无监督异常检测和定位的自监督遮掩

    这篇论文提出了一种名为“自监督遮盖”的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

    May, 2022

  • 增强异常检测性能的神经网络训练策略：基于重构损失放大的视角

    通过放大重构损失，我们提出了一种名为LAMP的损失地形变形方法，从而将损失地形变为陡峭的形状，使得对未见异常的重构误差增加，并且提高异常检测性能，而无需改变神经网络架构。

    Aug, 2023

  • 提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

    表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR模型在异常检测性能和吞吐量方面均优于现有方法。

    Oct, 2023

  • RealNet：具有逼真合成异常的特征选择网络用于异常检测

    RealNet网络通过强度可控的扩散过程来生成具有不同异常强度的样本，并通过选择代表性和有区分度的预训练特征子集以及自适应地选择判别性残差来提高异常检测性能。在四个基准数据集上的评估结果显示，与当前最先进方法相比，RealNet在图像AUROC和像素AUROC方面均取得了显著改进。

    Mar, 2024

  • 通过前向-后向特征传递寻找微小缺陷

    通过新的基准测试评估了一种基于教师-学生范式的异常检测与分割方法，该方法在高分辨率图像和真实缺陷掩膜上具有最高的缺陷大小鲁棒性、最快的速度，并在MVTec AD数据集上获得了最先进的性能和在VisA数据集上获得了最先进的分割性能。

    Jul, 2024

  • AnomalySD：基于稳定扩散模型的少量样本多类别异常检测

    本研究解决了工业制造中异常检测面临的正常数据稀缺问题，传统方法通常需要大量正常数据进行训练。我们提出了一种基于稳定扩散（SD）模型的少量样本多类别异常检测框架AnomalySD，通过设计层次化文本描述和前景掩蔽机制来优化模型，在MVTec-AD和VisA数据集上的实验结果显示，该方法在异常分类和分割方面具有显著优势，分别达到了93.6%和94.8%的AUROC。

    Aug, 2024

  • 基于注意力引导的无监督图像异常检测扰动方法

    本研究解决了现有重构方法在无监督异常检测中无法有效处理异常样本的问题。提出的注意力引导扰动网络（AGPNet）通过结合重构网络与注意力噪声扰动分支，引导模型识别并合成更具信息量的异常样本。实验表明，该方法在多种检测设置下均取得了卓越的性能。

    Aug, 2024