论文笔记-Image/Video Deep Anomaly Detection: A Survey

最新推荐文章于 2024-03-31 22:54:06 发布
最新推荐文章于 2024-03-31 22:54:06 发布
阅读量737 收藏 5
点赞数
分类专栏： 读论文笔记 文章标签： 神经网络 计算机视觉 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Bolly_He/article/details/117822080
版权

Image/Video Deep Anomaly Detection: A Survey

图像或视频中异常检测综述

目录

Image/Video Deep Anomaly Detection: A Survey

Abstract

1 Introduction

2 Problem Formulation

2.1 pN : Modeling Normal Data

2.2 D: Detection Measure

3 Supervision

Supervisied(N + A).

Semi-supervised(N + A + U).

Unsupervised (U)

4 Deep Image/Video Representation

4.1 Traditional Features

4.2 Deep Features

5 Deep Networks for AD

5.1 Self-supervised Learning

Encoder-Decoder Based Methods

CNNs.

5.2 Generative Networks

5.3 Anomaly Generation

6 Datasets

7 Open Challenges and Future Directions

8 Conclusions

Abstract

异常检测与计算机视觉任务和图像处理都有很大的相关性。但是深度神经网络处理的方法处理cost太大。本综述将对基于DNN的异常检测方法进行深入学习。讨论未来可能的研究方向。

1 Introduction

异常检测的难点来源于异常的种类不固定，异常可以来自于任何一种区别于nomal未知的分布。所以比较难以学习。因此有人提出将所有正常数据的共性作为一个参考，测试时就将计算一个测试实例与模型的偏差，用这个偏差来评价该测试实例是否为异常。

异常件检测算法的弱点总结如下：

（1）高误报率，为了尽可能将异常检测出来，宁可错杀一万绝不放过一个的思想。。。。导致高误报。

（2）高计算成本。

（3）没有可供评估的标准数据集。可用数据与实际数据相差较大。但事实上真实的数据很重要。

基于（GANs）网络的计算开销大，复现困难。

2 Problem Formulation

如果U是未标记的图像或者视频帧，表示为，假设大多数符合正态分布（）。那么异常件测就可以看做是，对于一个测试实例y，判断y是符合分布的过程。

式子中D为衡量是否符合分布的度量方式，F为提取特征的方法。

2.1 pN : Modeling Normal Data

对正常数据进行建模。第一建拟合一个预先定义的分布例如高斯分布【[Sabokrou et al., 2018a].】，但是数据维度太高分布太复杂所以用DNN特别是GAN来隐式的学习这种分布。

2.2 D: Detection Measure

对于式子（1）中的D必须能够对模型PN而言可以分开正常和异常样本。早起传统的方法，有例如：Mahalanobjs距离或者概率。最近的方法，隐式地学习了使用encoder-decoder和GANs。

3 Supervision

根据类别标签的可用性分为三个主要类别

Supervisied(N + A).

正常本多异常样本少导致严重类别不均，使得监督学习的结果是次优的。异常数据的多样性也会扰乱训练，所以实际上不可行。这一类的解决方案仅仅局限于非常有限的问题，比如某些应用明确异常的类别。

Semi-supervised(N + A + U).

现实中有大量未标记的数据，同时收集异常数据非常昂贵，获得完整的异常数据和正常数据训练是几乎不可能的。

[ Ruff et al. , 2019 ; Liu et al. , 2019 ] 提出一种基于大量未标记样本和少量异常样本和正常样本的方法 
[Ruff et al., 2019] Lukas Ruff, Robert A V andermeulen, Nico
G¨ ornitz, Alexander Binder, Emmanuel M¨ uller, Klaus-
Robert M¨ uller, and Marius Kloft. Deep semi-supervised
anomaly detection. In ICLR, 2019.

[Liu et al., 2019] Wen Liu, Weixin Luo, Zhengxin Li, Peilin
Zhao, Shenghua Gao, et al. Margin learning embedded pre-
diction for video anomaly detection with a few anomalies.
In IJCAI, pages 3023–3030, 2019.

Unsupervised (U)

在无监督的情况下训练模型意味着将AD任务应用于未标记的数据。在无监督的任务中，仅仅基于数据实例自身内在的属性来检测到异常值。在这种情况中可以做出唯一的假设，那即是与实际情况一样，在未标记的数据里异常情况很少发生。

4 Deep Image/Video Representation

4.1 Traditional Features

第一次提出的图像和视频异常检测的方法是基于轨迹的特征或者更低层的特征例如HOG，HOF，MBH。这几个方法都有共同的弱点：

尽管他们有一定的分类能力但是，都是计算成本高，能力差。此外也没有很强的鉴别能力会导致很高的FP rate.

视频的时间和空间特性对于异常检测任务起着至关重要的作用。深度学习中，普遍使用RNN、LSTM和3D-CNN来获取包含时间特征的AD任务。空间上通过加深网络层数来提取.

4.2 Deep Features

分为两种方法：特征学习和预训练的网络。

Feature Learning.
[Xu et al., 2018]提出使用堆叠去噪自动编码器来学习特征，再将其作为其他模型的输入。
 
Pre-trained Networks.
 
迁移学习，像AlexNet这样的预训练的DNN的第一层的信息足以区分正常样本和异常样本。

5 Deep Networks for AD

自监督学习和生成网络用来学习一个端到端的模型，用来准确的检测分布外的数据。

5.1 Self-supervised Learning

现实应用中，模型只访问正常数据或者最小化的异常数据。通过端到端训练神经网络来学习正常数据的P_{N }分布。训练完成后，给定一个测试样本，输入到模型，如果不符合约束，即不符合P_{N }分布，则认为该样本为异常数据。

Encoder-Decoder Based Methods

学习自编码器的网络参数，以精确重建训练实例，即正常数据。

这些网络参数通过等式2来训练：

其中D ( E ( X ) )是隐含学习正态数据分布的编解码网络。直接使用编码器-解码器进行重构，是拟合分布数据最简单的方法。虽然有效但是，假阳性检测有问题。

通过使用自编码器的潜在空间可以获得更好的结果。

虽然相对误差是区分正常和异常的有用便准，但是高误差并不是决定证据。

[Liu et al., 2018]通过U-Net作为深度自编码器来预测视频的下一帧，在训练阶段，神经网络的输入(时间t或It的帧)和输出(时间t + 1或It+1的帧)都是正常的，即遵循正常帧(pN)的分布。在测试阶段，如果某个帧明显偏离了预测值，则该帧被视为异常样本。

CNNs.

图像和视频维度过高，计算成本巨大，解决办法，通过分析神经网络对于不同类型输入数据的不同响应来检测分布不均匀的数据。这种方式不是端到端训练。

5.2 Generative Networks

GAN网络

缺点：训练昂贵，复现困难，模式崩溃

5.3 Anomaly Generation

GAN生成异常数据。。。

6 Datasets

Image：

MNIST、CIFAR-10和CIFAR-100、ImageNet、MVTec

Video：

UMN、UCSD、CUHK、UCF-Crime、ShanghaiTech Campus、Street Scene

7 Open Challenges and Future Directions

8 Conclusions

我们工作的主要集重点是无监督的技术。提供了一个精确的AD概念的精确定义，并对最近提出的AD方法进行了分类。

月亮299
关注
专栏目录
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 304
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
Object Detection in 20 Years A Survey 论文阅读笔记
weixin_43422466的博客
04-16 2531
1.Introduction 作为计算机视觉的基本问题之一，目标检测构成了许多其他计算机视觉任务的基础，例如实例分割，图像捕获，对象跟踪等。从应用的角度来看，目标检测可分为两个研究主题“general object detection”和“detection applications”，前者旨在探索在统一框架下检测不同类型目标的方法，以模拟人类的视觉和认知，后一种指的是特定应用场景下的检测，例如行...
基于深度学习的面向工业场景的异常检测（一）
qq_40622955的博客
01-23 764
在工业场景中，正常样本往往是大量的，而且相对容易获取，比如符合质量要求的产品或零件。而缺陷数据通常较少，因为缺陷会导致产品被剔除或需要返工修复，从而增加生产成本和时间成本。此外，不同类型的缺陷样本也可能具有较强的特异性，涉及到领域专业知识和经验的积累，并且需要人工手动标注。在这种情况下，缺乏缺陷样本会导致深度学习模型无法对缺陷进行准确区分，存在过拟合的风险。用检测行业的话来说就是容易“漏检”，在工业视觉检测中，漏检问题严重影响着企业的生产效率和质量保障。
《Anomaly Detection-A survey》
李泽珑李泽珑~~~
10-08 565
《Anomaly Detection-A survey》 Anomaly Detection 检测技术 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-innhRNxl-1601994734155)(C:\Users\Administrator.RORA5V8714TO6NE\AppData\Roaming\Typora\typora-user-images\image-20201005165302784.png)] 异常类型 Point Anomaly 数据点的异常，单个指
Image/Video Deep Anomaly Detection: A Survey阅读笔记
weixin_43540533的博客
03-08 538
Image/Video Deep Anomaly Detection: A Survey阅读笔记 文章目录Image/Video Deep Anomaly Detection: A Survey阅读笔记Abstract1、Introduction2、Problem Formulation2.1、pNp_NpN​：Modeling Normal Data2.2、DDD：Detection Measure3、SupervisionSupervisedSemi-supervisedUnsupervised（uuu
Image Anomaly Detection and Localization with Position and Neighborhood Information
脑子不太清醒
03-08 1666
为利用位置和邻域信息对正常特征分布的作用，本文中，正态分布是用给定邻域特征的条件概率来估计的，是用多层感知器网络建模的。位置信息可以通过建立每个位置的代表性特征的直方图来使用。现有的方法只是简单地将异常地图的大小调整为输入图像的分辨率，而拟议的方法使用了一个额外的细化网络，该网络由合成的异常图像训练而成，考虑到输入图像的形状和边缘，可以更好地进行内插。对于流行的工业数据集MVTec AD基准，结果显示在异常检测和定位方面有99.52%和98.91%的AUROC得分，是最先进的性能。
【图像异常检测】 Anomalib
qq_30340349的博客
02-09 5333
图像异常检测综述
精读：Deep Industrial Image Anomaly Detection: A Survey
weixin_43786241的博客
02-24 2002
在本文中，提供了一个文献回顾图像异常检测在工业制造业，关注监督方式，神经网络结构，数据集的类型和属性和评价指标。描述了来自工业制造的新设置，回顾了提出的新设置中当前的IAD算法，还深入研究了哪些网络架构设计可以显著提高异常检测性能，我们强调了图像异常检测的几个令人兴奋的未来研究方向。
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记
lytxiaohou的博客
09-28 4403
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记学习笔记，如有谬误，还请不吝赐教！瞎BB以及不错的链接还不散，那就看文章吧，反正我也是google翻译的~1. Introduction2,3. 何为异常和新颖4. 动机和挑战5,6,7 略（嗯，博主就是这么敷衍...）8. DAD的不同方面8.1 数据性质8.2 基于标记信息8.2.1 Superv...
Image Video Deep Anomaly Detection A Survey.zip
09-23
《图像视频深度异常检测：综述》 在当今数字化时代，图像和视频数据的大量涌现为计算机视觉领域带来了新的挑战和机遇。异常检测是其中的关键问题之一，它旨在识别出与正常模式不一致的事件或行为。...
机器学习(Machine Learning)&深度学习(Deep Learning)资料
热门推荐
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
深度工业图像异常检测调查|Deep Industrial Image Anomaly Detection: A Survey
最新发布
m0_63828250的博客
03-31 2594
近期深度学习的迅速发展在工业图像异常检测（IAD）领域标志着一个重要的里程碑。在本文中，研究者对基于深度学习的图像异常检测技术进行了全面的回顾，从神经网络架构、监督水平、损失函数、评价指标和数据集等多个角度进行考察。此外，本文从工业制造中提取出一个有前景的设置，并在提出的设置下回顾当前的IAD方法。更进一步，本文突出了图像异常检测领域中几个尚未解决的挑战。在不同的监督水平下，代表性网络架构的优点和缺点被深入讨论。最后，文章总结了研究发现，并指出了未来研究的方向。
异常检测（Anomaly Detection）
Flare_J 的博客
03-08 8879
异常检测（Anomaly Detection）1. 异常检测的定义2. 异常检测的分类2.1 按照应用目标数据分类2.2 按照异常类型分类2.3 按照数据标签可用性分类3. 异常检测的使用 1. 异常检测的定义 异常检测，是一种用于识别不符合预期行为的异常模式的技术，称为异常值。通常为无监督学习问题，其中先验未知异常样本，并且假定大多数训练数据集由 “ 正常 ” 数据组成。 通常，异常检测也称为 Novelty Detection 或 Outlier Detection，Forgery Detection
Anomaly Detection （视频异常识别）
rca_finforc的博客
12-10 2046
什么是异常识别 异常样本 将unintentional anomalies分类为： novel examples out of distribution examples in distribution examples Adversarial examples（对抗样本：通过给正常样本加噪的方法构建，肉眼不一定可见。用于构建更有泛化能力的模型而引入。） 应用 计算机视觉、数据挖掘、自然语言处理等。 视频监督异常检测。 诈骗检测，网络侵入检测。 医学异常检测，传感器网络异常检测。 物联网大数据异常检测
【视频异常检测综述-论文阅读】Deep Video Anomaly Detection: Opportunities and Challenges
小菜鸡的学习记录
07-16 7951
本文从一个新的角度全面回顾了基于深度学习的视频异常检测方法。具体来说，我们分别总结了深度学习模型在视频异常检测任务中的机遇和挑战。我们提出了智能视频异常检测系统在各个应用领域的几个潜在的未来研究方向。此外，我们总结了当前视频异常检测深度学习方法的特点和技术问题。......
异常检测（Anomaly Detection）综述
小白学视觉
07-04 3123
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自|计算机视觉life导读异常检测是一个发现“少数派”的过程，本文将目前深度学习的异常检测...
异常检测论文阅读《Anomaly Detection in Video Sequences: A Benchmark and Computational Model》
qq_45496282的博客
12-13 3226
CVPR2021异常检测的的论文，里面提出了新的异常检测数据集
（阅读）Deep Learning for Anomaly Detection: A Survey
aiyouyou_的博客
09-08 4859
参考 阅读一 阅读二 笔记 摘要 论文首先对基于深度学习的异常检测的研究方法进行了系统全面的概述。此外，还回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。 根据基本的假设和采用的方法，将最先进的深度异常检测研究技术分为不同的类别。在每个类别中，作者概述了基本的异常检测技术及其变体，并提出了区分正常和异常行为的关键假设。 对于每个类别，论文也提出了优点和限制，并讨论了在实际应用领域的技术的计算复杂度。最后，概述了在应用深度异常检测技术解决实际问题时，研究中存在的问题和面临的挑战。
anomaly detection学习笔记（自用）
smallbig12的博客
06-29 2798
记录一下学习anomaly detection的学习过程以及每日计划。
rethinking graph anomaly detection: a self-supervised group discrimination p
02-05
《重新思考图形异常检测：一种自我监督的群体区分》是一篇关于图形异常检测的研究论文。现有的异常检测方法通常依赖于人工标注的异常样本，但这种方法需要大量的标注工作和专家知识。因此，该论文提出了一种基于自我监督群体区分的新方法。 该方法首先构建一个图形数据的表示形式，例如图形的节点和边表示，然后使用无监督的聚类算法将数据集分成不同的群体。通过比较不同群体之间的相似性和差异性，可以发现潜在的异常群体。这种自我监督的方法不需要人工标注的异常样本，而是通过挖掘数据本身的特征和结构来进行异常检测。 为了验证这种方法的有效性，该论文在多个真实世界的图形数据集上进行了实验。实验结果表明，该方法在检测异常群体方面具有较高的性能。与传统的异常检测方法相比，它能够更准确地识别出异常群体，并且不需要人工标注的异常样本来训练模型。 这项研究对图形异常检测领域具有重要的意义。它提出了一种新颖的自我监督方法，可以减轻传统异常检测方法中的标注负担，并且在实验中取得了很好的效果。该方法还可以应用于许多领域，如网络安全、金融欺诈检测等。未来，该研究可以进一步改进和扩展，以提高异常检测的准确性和效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

月亮299

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值