通过生成多样化和难以区分的合成异常来增强异常检测
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
本文提出了一种无监督方法AD-MERCS,旨在利用正常和异常模式来检测异常。该方法识别出多个子空间,以及识别出在这些模式之外的特征,能够对多种异常进行有效的检测,并能够通过在低维子空间中的模式和特征提供异常检测的简单解释。
May, 2023
文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法AnoRand,采用自编码器和噪声检测技术,生成一定比例的合成异常样本,并在合成和真实数据集上进行了实验,结果表明该方法优于大多数无监督和有监督算法。
May, 2023
我们提出了一种新颖的统计方法,用于在域适应(DA)下测试异常检测(AD)的结果,称为CAD-DA -- 在DA下可控制的AD。CAD-DA的独特优势在于其能够控制在预先指定的水平α(例如0.05)下错误识别异常的概率。我们解决了在这个DA设置中需要考虑DA影响以确保推理结果有效性的挑战。我们的解决方案利用条件选择性推理的概念来处理DA的影响。据我们所知,这是第一个在DA背景下进行有效统计推理的工作。我们对CAD-DA方法在合成和真实数据集上的性能进行了评估。
Oct, 2023
最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本,然而,这可能限制它们适应日益增多的异常检测任务的能力,因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战,我们首先引入了一个无先验异常生成范式,随后在此基础上开发了一种名为GRAD的创新的无监督异常检测框架。GRAD包括三个关键组成部分:(1)一个扩散模型(PatchDiff),通过保留局部结构而忽略正常图像中存在的全局结构,生成对比模式;(2)一种自监督加权机制来处理PatchDiff生成的长尾和无标签对比模式的挑战;(3)一个轻量级的基于补丁的检测器,以有效区分正常模式和重新加权的对比模式。PatchDiff生成的结果有效地暴露了各种类型的异常模式,例如结构和逻辑异常模式。此外,在MVTec AD和MVTec LOCO数据集上进行的大量实验证明了前述观察结果,并展示了GRAD在异常检测准确性和推理速度方面的竞争力。
Dec, 2023
提出了一种重建偏差引导的生成框架ACSleuth,用于检测异常细胞并进行领域适应和细粒度注释,通过使用生成模型输出的重建偏差进行异常检测,优于现有方法,在多样本和多域环境中鉴别和细分异常细胞。
Apr, 2024
本研究针对现有异常检测方法过于依赖单一原型,忽视数据中多类别和异常样本的问题,提出了一种基于重建的多正常原型学习框架。该方法利用有限的标记异常样本与大量未标记数据相结合,通过深度嵌入聚类和对比学习,学习多个正常原型,从而提高异常检测的效果。实验证明,该方法在多种数据集上超越了最新的技术表现。
Aug, 2024