- FT-AED:早期高速公路交通异常事件检测基准数据集
这篇论文介绍了一种大规模的高速公路交通数据集,用于异常检测,利用深度学习模型可以提高事故报告准确性和减少延迟。
- 利用机器学习从原位 X 射线衍射数据快速检测罕见事件
高能 X 射线衍射方法可非破坏性地对金属多晶工程材料的 3D 微结构和相关属性进行映射,而本研究提出的全自动技术可迅速检测高能 X 射线显微镜数据中塑性的发生,为驱动智能多模态 X 射线衍射方法的实验提供及时可行信息。
- 一种粗到细的伪标签(C2FPL)框架用于无监督视频异常检测
提出了一种简单但有效的两阶段伪标签生成框架,用于训练一个监督方式下的区段级异常检测器,以识别视频中的异常事件。
- ECCV望向相邻帧:无需离线训练的视频异常检测
该研究提出了一种基于多层感知器和增量学习者的在线视频异常事件检测方案,并在基准数据集上表现良好。
- ICCV动态时间规整下的弱监督时序异常分割
本论文提出了一种名为 WETAS 的新框架,它利用实例级别的异常标签来有效地识别输入实例中的异常时间段,并通过动态时间扭曲对输入实例和其分割掩模进行对齐,获得时间分割的结果,并同时利用掩模作为附加监督进一步增强自身。实验证明,WETAS 在 - AAAI基于图神经网络的多元时间序列异常检测
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确 - CVPR通过聚类清洗标签噪声以实现最小监督异常检测
本文提出了一种利用二进制聚类方法的弱监督异常事件检测方法,在 UCF-crime 和 ShanghaiTech 两个数据集上展示了比现有算法更优异的 78.27%和 84.16%的帧级 AUC。
- LogBERT: 基于 BERT 的日志异常检测
本文提出基于 BERT 的自监督框架 LogBERT 用于日志异常检测,通过两个新颖的自监督训练任务学习正常日志序列的模式,并能够检测出潜在的从正常日志序列偏离的异常情况,实验结果表明 LogBERT 在三个日志数据集上表现优于现有的异常检 - 深网和暗网上的活动特征化
本文研究了 80 个 d2web 论坛上发布的信息,并使用 LDA 识别了讨论主题,使用非参数 HMM 模型跨论坛模拟了主题演变,并检查了动态模式,以识别类似模式的论坛,揭示了这个丰富多样的数据中隐藏的相似性和异常事件。
- AAAI基于时间序列数据的 RNN 分类器的可解释性故障预测
本研究采用深度学习方法,提取异常事件并构建带有注意力机制的 RNN 分类器,以预测并解释存储环境中的故障。结果表明,该方法具有与传统 RNN 基本分类器相当的准确性,并可通过返回导致故障预测的关键异常事件来解释预测结果。
- 大型强子对撞机新物理挖掘的变分自编码器
使用物理过程训练的变分自编码器,开发了一种单边阈值测试,以隔离先前未见的过程作为异常事件,并且这种算法可以识别丢失的异常事件,扩展了 LHC 的科学范围。
- 基于卷积长短时记忆预测网络的视频异常检测
通过学习能够识别视频中异常事件的生成模型,我们提出了结合卷积 LSTM 的网络,利用少量的监督来预测视频序列的演变,从预测的一组重建误差中获取规则分数,证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。