无监督/框架/小样本，工业异常检测最新思路！

最新推荐文章于 2025-03-05 16:35:53 发布
最新推荐文章于 2025-03-05 16:35:53 发布
阅读量2.4k 收藏 27
点赞数 18
文章标签： 人工智能 深度学习 目标检测
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/m0_73122726/article/details/140841301
版权

 异常检测

Anomaly Detection

工业异常检测在业界和学界都一直是热门，近期其更是迎来了全新突破：与大模型相结合！让异常检测变得更快更准更简单！比如模型AnomalyGPT，它克服了以往的局限，能够让大模型充分理解工业场景图像。工业异常检测取得了许多显著的进展，出现了许多值得一看的突破性成果。沃的顶会简单整理了各大顶会（CVPR、ICLR等）中【异常检测】相关论文，共8篇，希望能给想发顶会的同学提供一些思路。

无监督

1、一个简单的图像异常检测和定位网络

论文题目：CVPR2023 | SimpleNet: A Simple Network for Image Anomaly Detection and Localization

内容简介：论文提出了一个简单且应用友好的网络(称为SimpleNet)来检测和定位异常。SimpleNet由四个部分组成：(1)生成局部特征的预训练特征提取器，(2)将局部特征转移到目标域的浅特征适配器，(3)通过向正常特征添加高斯噪声来伪造异常特征的简单异常特征生成器，以及(4)区分异常特征和正常特征的二进制异常鉴别器。在推理过程中，异常特征生成器将被丢弃。论文的方法基于三个直觉。首先，将预训练的特征转换为面向目标的特征有助于避免域偏差。其次，在特征空间中生成合成异常更为有效，因为缺陷在图像空间中可能没有太多的共性。第三，简单的鉴别器效率高、实用

最低0.47元/天 解锁文章
沃恩智慧
关注
无监督学习在目标检测任务中的应用：一种新的方法用于实现目标检测算法
AI天才研究院
07-25 3543
传统的目标检测算法通常需要大量的标注数据进行训练，例如图像分类、目标定位和目标识别等任务。然而，获取高质量的标注数据成本高昂且耗时费力，尤其是在一些特定领域，例如医学影像分析、遥感图像解译等，标注数据的获取更加困难。为了解决这一问题，研究人员开始探索如何利用无监督学习方法来实现目标检测，即在没有人工标注数据的情况下，让机器自动从数据中学习目标的特征表示和检测方法。本文介绍的基于无监督学习的目标检测算法主要利用了深度聚类的方法。
异常检测与定位：LLM的火眼金睛
AI天才研究院
05-02 999
在当今复杂多变的技术环境中，异常检测与定位已成为保障系统稳定性和安全性的关键环节。随着大语言模型（Large Language Models，LLMs）的快速发展，这些强大的AI工具正在revolutionize异常检测与定位的传统方法。本文将深入探讨LLM如何成为异常检测与定位领域的"火眼金睛"，为各行各业带来前所未有的精准度和效率。异常检测是指识别出与预期模式显著不同的数据点或事件的过程，而异常定位则进一步确定异常的具体位置和原因。
工业异常检测
moonlightpeng的博客
04-28 2334
论文指出，在实际应用中，异常数据往往呈现出多样化的分布，而传统的异常检测方法通常假设异常数据来自同一分布，这限制了其在实际场景中的有效性。论文指出，传统的知识蒸馏方法在处理异常检测任务时存在局限性，而反向蒸馏通过改变蒸馏的方向和机制，为异常检测提供了新的解决方案。这种方法的优势在于，它克服了传统异常检测方法需要大量标注异常样本的局限性，使得在异常样本稀缺的情况下也能进行有效的异常检测。简述：论文提出了基于集合特征的细粒度异常检测方法，通过提取样本集合中的关键特征，实现对细微异常的精准识别和定位。
《异常检测——从经典算法到深度学习》15 通过无监督和主动学习进行实用的白盒异常检测
热门推荐
Smileyan's blog
02-18 3万+
《异常检测——从经典算法到深度学习》 0 概论 1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法 3 基于One-Class SVM的异常检测算法 4 基于高斯概率密度异常检测算法 5 Opprentice——异常检测经典算法最终篇 6 基于重构概率的 VAE 异常检测 7 基于条件VAE异常检测 8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测 9 异常检测资料汇总（持续更新&抛砖引玉） 10 Bagel: 基于条件 VAE 的鲁棒无监督KPI异常检
【无监督学习】异常检测算法
最新发布
2301_82023330的博客
03-05 874
异常检测指的是识别数据集中不符合正常模式的样本。监督学习：需要正常样本和异常样本的标注，适用于已知异常类型的情况。半监督学习：仅使用正常样本进行训练，异常样本在训练阶段不可见。无监督学习：不需要任何数据标注，直接从数据分布中推测异常样本。无监督异常检测的核心思想是利用数据的统计特性或结构化模式，识别那些与多数数据不同的样本。在很多实际应用中，我们并不总是能事先获得异常数据的样本，因此无监督方法特别适用于未知异常类型的检测任务。无监督异常检测算法在各种实际场景中具有重要作用。
CVPR21-无监督异常检测《CutPaste:Self-Supervised Learning for Anomaly Detection and Localization》
要相信光
08-11 4887
文章目录原文地址论文阅读方法初识相知核心技术理论分析实验分析回顾开源代码（非官方） 原文地址 待补充 论文阅读方法 三遍论文法 初识 本文主要提出了一个新的增广方法“CutPaste”，并基于此方法提出了一个两阶段的无监督异常检测方法，① 构建分类器区分正常样本与异常样本，作为代理任务（proxy task）学习特征表示；② 根据训练好的网络提取特征，用于检测异常。此方法在MVTec数据集上表现达到新SOTA(检测任务96.6AUC，定位任务96AUC)。 CutPaste：从图像中随机剪切一个块区域，
【机器学习】利用Autoencoder进行无监督异常检测（含代码）
wzk4869的博客
04-08 4621
【机器学习】利用Autoencoder进行无监督异常检测（含代码）
无监督异常检测（MVTec）
qq_60609496的博客
09-09 8116
（排名第1）Towards Total Recall in Industrial Anomaly Detection （PatchCore）
向毕业妥协系列之机器学习笔记:无监督学习-异常检测
长夜漫漫，无心睡眠
11-16 1142
另外，对于很多技术公司可能会遇到的一些问题，通常来说，正样本的数量很少，甚至有时候是0，也就是说，出现了太多没见过的不同的异常类型，那么对于这些问题，通常应该使用的算法就是异常检测算法。下图的例子是飞机发动机的制造，有很多特征，我们为了方便讲解取其中的两个特征：发动机产生的热量和震动强度，然后数据集是m个（发动机，每个发动机有两个特征），我们这个异常检测的问题就是测试新的数据和原来的数据是否相似，可以看到下图的坐标轴图像的示例 ，有一个合格的示例，也有一个异常的示例。的值来告诉我们数据是否真的是异常的。
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 0 异常检测简述
要相信光
10-24 2万+
无监督异常检测领域进展研究，包括了概念介绍、常用数据集介绍、方法分类等等。
Registration based Few-Shot Anomaly Detection
Joeyshaw的博客
08-18 4048
目前为止，现有的FSAD研究遵循标准AD使用的每类别一个模型的学习范式，并且尚未探索类别间的共性。受人类如何检测异常的启发，通常将图像与正常图像进行比较，利用配准来训练类别无关的异常检测模型。测试时通过比较测试图像的配准特征和正常图像来识别异常。本文是第一个FSAD方法，训练单个可推广模型，不需要对新类别进行重新训练或微调。比目前方法AUC高3%~8%。异常检测具有广泛的应用，由于异常的定义不明确，不可能用一组详尽的异常样本进行训练。大多数现有的AD方法都集中于为每个类别训练专用模型。......
无监督异常检测论文集
10-22
无监督异常检测论文集，可用于未来智能工厂预测性分析。
杜伦大学提出GANomaly：无需负例样本实现异常检测
Paper weekly
09-19 1万+
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部...
视频异常检测技术研究进展
qq_61890005的博客
12-24 1206
对三种不同场景下的算法进一步细化分类,将监督场景下的算法划分为二分类和多分类两种方式,将半监督场景下的算法划分为计算异常得分和聚类判别两种方式,将无监督场景下的算法划分为重构判别和预测判别两种方式,并且分析了不同技术的特点和优缺点。介绍了目前在视频异常检测领域常用的数据集,以及检测性能的评估标准,对目前主流的视频异常检测算法性能进行了对比分析。最后,对视频异常检测算法的未来研究方向进行了讨论和展望。本文按照有监督、半监督和无监督三种方式对基于深度学习的视频异常检测技术的研究进展进行了详实的论述。
ECCV 2022 | 无需微调即可推广！基于配准的少样本异常检测框架
Paper weekly
07-27 1657
©作者 |王延峰、张娅单位 |上海交大、上海人工智能实验室来源|机器之心近年来，异常检测在工业缺陷检测、医疗诊断，自动驾驶等领域有着广泛的应用。“异常”通常定义为 “正常” 的对立面，即所有不符合正常规范的样本。通常来说，相比于正常，异常事件的种类是不可穷尽的，且十分稀有，难以收集，因此不可能收集详尽的异常样本进行训练。因此，近期关于异常检测的研究主要致力于无监督...
基于ViT的无监督工业异常检测模型汇总
m0_46160970的博客
11-08 1769
基于ViT的工业无监督模型汇总
小样本检测
weixin_42525870的博客
04-27 2661
论文链接：https://arxiv.org/abs/2003.07021 简单评论一下 小样本检测的难度在于目标很小，其特征比较浅（如亮度、边缘信息等），语义信息较少；另外小目标和背景之间尺寸不均衡，用较小的感受野去关注其特征的话，很难提取全局语义信息；用较大的感受野去关注背景信息的话，那么小目标的特征会丢失信息。 以前的方法主要是以下思路： 数据增强 特征融合 利用上下文信息，或者目标之间建立...
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 3 基于嵌入的方法
要相信光
12-08 1万+
文章目录前言1. 基于Deep SVDD1.1 Deep SVDD2. 基于SPADE2.1 SPADE (CVPR2021) 前言 异常检测领域中，基于嵌入的方法指的是：将图像送入模型，提取特征，并在对应的特征空间中学习分界面。与重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测；与自监督的方法不同，不过于依赖额外的负样本的构造 / 代理任务的设计，主要考虑的特征空间中的差异。 1. 基于Deep SVDD 1.1 Deep SVDD 2. 基于SPADE 2.1 SPADE
C3-1.3.1 无监督学习——异常检测
weixin_46228946的博客
01-10 1169
这里只拿出来两个特征值（X1 , X2）来举例，为了可视化让我们了解的更加方便，实际应用中 特征的数量可能达到上百 / 上千：说明的大概率的，是正常的：是小概率发生的事件，要进行进一步的检查**P（X）：**这里通过训练集建立完成 模型 P(X)后，用训练集数据 X-test 来判断结果 P（X-test）：是否是状态异常的发动机**ε的值：**即最外圈蓝色框的概率的值。
wideresnet50 工业异常检测
01-15
### 使用 WideResNet50 实现工业场景下异常检测 WideResNet50 是一种基于残差网络架构的深度学习模型，在图像分类任务上表现出色。为了将其应用于工业异常检测，可以借鉴 SimpleNet 的框架设计思路[^1]。 #### 构建特征提取器 WideResNet50 可作为强大的预训练特征提取器来替代 SimpleNet 中的基础特征提取部分。具体做法是从 WideResNet50 移除最后几层全连接层，保留卷积层用于特征图生成： ```python import torchvision.models as models from torch import nn class FeatureExtractor(nn.Module): def __init__(self, pretrained=True): super(FeatureExtractor, self).__init__() wide_resnet = models.wide_resnet50_2(pretrained=pretrained) layers = list(wide_resnet.children())[:-2] self.feature_extractor = nn.Sequential(*layers) def forward(self, x): return self.feature_extractor(x) ``` #### 设计特征适配器 由于 WideResNet50 输出的特征维度较高，建议增加一层轻量级的特征转换模块，以便后续处理。此模块可采用简单的卷积操作降低通道数并调整空间分辨率： ```python class FeatureAdapter(nn.Module): def __init__(self, input_channels=2048, output_channels=256): super(FeatureAdapter, self).__init__() self.adapter = nn.Conv2d(input_channels, output_channels, kernel_size=1) def forward(self, features): adapted_features = self.adapter(features) return adapted_features ``` #### 异常特征生成与鉴别机制 对于异常特征生成和鉴别环节，可以根据实际需求选择合适的对比学习或自监督学习策略。这里提供一个简易版本的设计方案——通过重建损失函数衡量正常样本与其重构之间的差异度，从而识别异常情况： ```python class AnomalyGeneratorDiscriminator(nn.Module): def __init__(self, feature_dim=256): super(AnomalyGeneratorDiscriminator, self).__init__() # 定义编码解码结构或其他适合的方式 pass def anomaly_score(self, original_feature_map, reconstructed_feature_map): score = ((original_feature_map - reconstructed_feature_map)**2).mean(dim=[1, 2, 3]) return score ``` 整个流程中，输入图片先经过 `FeatureExtractor` 得到深层语义表示；再经由 `FeatureAdapter` 调整至合适尺寸；最终送入 `AnomalyGeneratorDiscriminator` 计算异常得分完成预测过程。
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
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