本文探索在视频数据异常检测中使用贝叶斯非参数主题建模技术，并在两个实验中展示了该技术的应用，第一个实验表明该技术能够自动描述底层地形并检测异常，第二个实验在动态不稳定的环境下检测到多种现象。

Sep, 2015

本研究旨在探讨在各种应用下检测异常的有效性，包括极地成像、传统航空摄影图像和商用无人机平台，并证明综合检测比简单检测更为有效，可以提高障碍物去除、异常值抑制和检测目标的可能性，主要应用于强植被遮挡下的搜索和救援、野生动物观察、早期野火监测和监控。

Apr, 2023

本研究提出了一种扩散模型来检测高频率数据中的快速异常，该模型不需要任何运动组件，优于其他基准方法，可用于卫星数据分析中。

May, 2023

通过利用异常对象与其局部背景的偏差特征，我们将异常检测任务重新定义为基于偏差关系的无向双层图，其中异常得分建模为给定背景模式和正常对象的条件概率，进而将学习目标表达为条件概率排序问题。我们在数据、架构和优化方面设计了一种实例化表达方法，并通过使用模拟的光谱和空间异常驱动实例化架构，通过直接优化条件概率排序来验证了该模型在包括高光谱、可见光、合成孔径雷达（SAR）、红外和低光等五种模态下的统一检测能力。

Oct, 2023

本文分析了人类视觉感知下的高光谱影像特征，并首次将异常检测(HAD)的解决过程转移到了更稳健的特征空间。我们提出了一种小目标感知检测器(STAD)，它引入了显著性图来捕捉更接近人类视觉感知的高光谱影像特征。此外，我们还提出了一种全连接网络到卷积网络的知识蒸馏策略，以适应HAD算法应用于边缘设备的可能性。我们在HAD100训练集上训练了网络，并在HAD100测试集上验证了所提出方法。经过充分的实验证明，我们的方法在真实高光谱影像上表现出卓越的性能和独特的潜力。

Jan, 2024

最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉HSI的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成MVTec AD数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出6.90倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

Jan, 2024

该研究介绍了一个具有自由视角、不均匀光照和模糊数据集的鲁棒异常检测（RAD）。RAD旨在通过模拟真实世界的检查场景，重现各种成因的图像噪声，例如视角变化、不均匀光照和模糊效果，以识别工作平台上的异物。在RAD上评估和分析了11种最先进的无监督和零样本方法。研究结果表明：1）视角、光照和模糊度的变化以不同程度影响异常检测方法；2）依赖于存储器库并辅助合成异常的方法具有更强的鲁棒性；3）有效利用基础模型的通用知识是提高异常检测方法鲁棒性的一个有前途的途径。

Jun, 2024

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

本研究解决了高光谱异常检测中监督分类方法对未知模式检测不足的问题。我们提出了一种通过混合无监督与监督分类器的模型堆叠方法，以提高检测精度。研究结果表明，该方法在不同高光谱数据下具有显著的检测优势。

Aug, 2024

本研究针对现有异常检测方法在标签样本稀缺和固定异常类别限制下的问题，提出了一种新的异常变化检测技术（AnomalyCD），该技术能够通过学习历史正常变化模式识别不定时步的异常变化。此外，针对各种地球异常，构建了高分辨率时序图像数据集（AnomalyCDD）。研究结果显示，AnomalyCD具备处理未知图像的能力，有潜力显著推进异常检测的应用。

Sep, 2024