95.3%像素级AUC！顶会异常检测SOTA开源了！

最新推荐文章于 2024-09-25 13:05:17 发布
最新推荐文章于 2024-09-25 13:05:17 发布
阅读量44 收藏
点赞数
原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247624583&idx=1&sn=410d1e2e6b818a11f5902d3dce778568&chksm=fae87e9aacff2e4b3674e08d9ede7ed250c8cfb57389b4cf1a3ef72ff1efdbcbf4fe7042b792&scene=126&sessionid=0
版权

做异常检测的小伙伴注意啦！今天分享来自AAAI'24、CVPR'24、ECCV'24、ICLR'24、WACV'24等10个最新顶会，58篇创新研究的paper和代码！

重点关注来自AAAI'24的首个工业级异常检测的视觉语言大模型AnomalyGPT，无需手动阈值设定，仅用一个正常样本就实现了86.1%的准确率，94.1%的图像级AUC和95.3%的像素级AUC，刷新SOTA。

5d43643907cd974cda7e9df198051bab.jpeg

值得注意的还有CVPR'24上一种新的自监督异常检测框架RealNet。结合三个关键创新，在图像AUROC和像素AUROC上都有显著改进。

f50f13e30ce118232a5c6f0023f37a09.jpeg

更多10个最新顶会上58篇异常检测创新研究的paper和代码，有需要的小伙伴们欢迎扫码领取！

b73ef4d5286b450ef9fddec192e2b7f1.png

85f19372aa668194aaf1331a5a6ea794.jpeg

所有58篇资料都是来自近一年的顶会，而且很多都实现SOTA性能。更重要的是，全部58篇研究都有对应的代码！

不需要大家再额外找代码下载了，直接下载这个合集，就有整理好的每个顶会里对应研究的论文和代码！

c8c3c49fc87e69a3068d40b3c0541784.png

扫码领取10个最新顶会上

58篇异常检测创新研究的paper和代码

ECCV'24

2faf1329476ec7b3fe094bbcdcff5944.jpeg

CVPR'24

1bf5c53c3f44f5a5fca8809f71066fef.jpeg

4a00d6b3c26d73a91d2f73c4cff13d46.jpeg

cd8e50c882250e899aee48e75beb09ac.jpeg

5b958161e534eb4f27531460da9ac117.jpeg

每篇都有对应的代码

3f07ec7951b3737fd16a80adff7ef15a.png

扫码领取10个最新顶会上

58篇异常检测创新研究的paper和代码

小白学视觉
关注
matlab白化代码-SpikeSorting:稀疏编码和压缩感测用于重叠神经尖峰排序
05-27
matlab白化代码稀疏编码和压缩感测 这是“”的官方实现。...（4）通过峰值检测方法，将滤波和增白的电压迹线分割成一些包含峰值的芯片。 细分的峰值正是我们需要排序的。 稀疏编码和压缩感知：（5）分别使用稀疏编
Pixel-wise Anomaly Detection in Complex Driving Scenes
m0_37833297的博客
05-18 1589
Pixel-wise Anomaly Detection in Complex Driving Scenes CVPR2021 Code： https://github.com/giandbt/SynBoost 摘要 最先进的语义分割方法无法检测异常实例，这阻碍了它们在安全关键和复杂应用中的部署，例如自动驾驶。最近的方法集中在利用分割不确定性来识别异常区域或从语义标签图中重新合成图像以发现与输入图像的不同之处。在这项工作中，我们证明了这两种方法包含互补信息，并且可以结合起来为异常分割产生稳健的预测。我们
顶会异常检测SOTA模型突发开源！
最新发布
阿木寺的博客
09-25 65
做异常检测的小伙伴注意啦！今天分享来自AAAI'24、CVPR'24、ECCV'24、ICLR'24、WACV'24等10个最新顶会，58篇创新研究的paper和代码！重点关注来自AAAI'24的首个工业级异常检测的视觉语言大模型AnomalyGPT，无需手动阈值设定，仅用一个正常样本就实现了86.1%的准确率，94.1%的图像级AUC和95.3%的像素级AUC，刷新SOTA。值得注意的还有CVP...
CVPR2024 合成异常数据 工业异常检测 RealNet
黎国溥
05-31 3443
本文分享一个基于扩散模型的异常检测框架，用于检测工业场景的缺陷检测或异常检测。强度可控扩散异常合成：基于扩散过程的合成策略，能够生成不同强度的异常样本，模仿真实异常样本的分布。异常感知特征选择：选择代表性和判别性的预训练特征子集，以提高异常检测性能并控制计算成本。重建残差选择：自适应选择判别性残差，用于全面识别各级异常区域。强度可控扩散异常合成，简称为SDAS，生成的异常图像，如下图所示。这些异常图像，都是基于正常图像生成的。
探索未来异常检测：AnomalyGPT项目深度解析
gitblog_00014的博客
04-17 590
探索未来异常检测：AnomalyGPT项目深度解析 AnomalyGPT 项目地址: https://gitcode.com/gh_mirrors/an/AnomalyGPT 在数据科学的世界中，异常检测是...
多尺度特征融合的知识蒸馏异常检测方法文献笔记
weixin_50094312的博客
10-25 1206
本文的STN是要增强其对异常样本表征的输出差异.为此,本文提出多尺度特征融合的知识蒸馏异常检测方法.该方法为学生网络单独设计特征重构模块,打破原有教师网络和学生网络的相似结构,在保证学生网络对正常样本充分学习的基础上,扩大学生网络和教师网络对异常样本的表征差异.为进一步凸显异常区域特征,抑制非异常区域特征,本文方法融合SAM,通过空间注意力权重计算,增大异常与非异常区域的区分度,并在多个分辨率特征图上进行了融合,缺点未对教师网络传授的知识进行过滤,难以保证教师网络传授学生网络知识的准确性.
新方法：图像与视频帧中95.3%准确率的文本检测
实验结果显示，所提出的算法在图像和视频帧上的文本检测率达到了95.3%，这一成绩表明了该方法在实际应用中的高效性和鲁棒性。在文本检测领域，这一成果尤其重要，因为它能有效处理各种尺寸、类型和排列方式的文本，...
一类嵌入反蒸馏异常检测及其性能优于SOTA
9737一类嵌入反蒸馏异常检测李汉秋邓兴宇阿尔伯塔大学电气与计算机工程系{hanqiu1，xingyu} @ ualberta.ca摘要知识蒸馏（KD）在无监督异常检测（AD）这一具有挑战性的问题师生模型中的异常表征差异为AD提供了重要...
UBnormal: 监督开放集视频异常检测的新基准
In spite of the growing interest in video anomaly detec-tion [11, 12, 17–19, 22–24, 27, 32, 34, 39–41, 43, 46, 52, 54,60, 61, 64, 66], which generated significant advances lead-ing to impressive ...
工业异常检测中的冷启动问题与PatchCore方法
143180工业异常检测中的全面回忆0Karsten Roth 1，�，Latha Pemula 2，Joaquin Zepeda 2，Bernhard Schölkopf 2，Thomas Brox 2，Peter Gehler 201 Tübingen大学 2 亚马逊AWS0摘要0能够发现有缺陷...
异常检测的评价指标：ROCAUC等【tips】
记录/交流，加油啊呀...
06-13 3347
分为图片级别（为整张图片打标签）的和像素级别（为每个像素打标签）的。roc 参数：标签，评价分数（也就是每个样本预测为正的概率），正样本标签（默认是0）。返回结果：fpr，tpr，thresholds。fpr：负正类率，负类预测为正类占所有负类的比例。tpr：真正类率，正类预测为正类占所有正类的比例。threshold：阈值aucthreshold是每个样本的评价分数，也就是每个样本预测为正的概率值，概率值有了，那这个样本是把他定为正样本还是负样本呢。所以规定，当threshold取其中一个样本的概率值
使用 PatchCore 进行图像异常检测
小白不白
02-07 1万+
我们已经介绍了 PatchCore 的关键概念，并将其应用于医学影像数据集。即使数据集非常有限，我们也看到了一些非常有希望的结果。一般来说，如果您有一个用例，其中正常数据很容易获取但异常数据很昂贵（甚至是先验未知的），anomalib 可能是一个值得考虑的好工具。相关代码与数据集下载：欢迎关注公众号：猛男技术控，回复异常检测。
UCSD异常检测数据集
yipala的博客
09-02 9826
UCSD异常检测数据集 UCSD异常检测数据集是通过学校中固定在较高位置上的摄像机获得的，俯瞰人行道。走道中的人群密度是变化的，从稀疏到非常拥挤。在正常设置中，视频仅包含行人。异常事件是由以下两种情况引起的： 非人行道物体在人行道上的流通（如：卡车，自行车） 异常的行人运动模式（如：从草坪中穿过，跑步） 常见的异常现象包括：骑自行车的人，滑冰运动员，小推车，以及走过人行道或周围草地的...
异常检测模型整理
小太阳~
08-01 1万+
写在前面 文中使用了其他博主的图，具体链接已不好追踪，如果不妥，还请谅解（私信我加备注哦）~ 异常检测主要检测数据中的离群点，异常数据的特征值与正常数据的特征值距离较远。 异常检测具有以下难点： 标签数据较少，从较少的标签数据中很难学习到哪些是正常数据，哪些是异常数据。 难以划分异常和正常的边界。 数据本身存在噪声，导致噪声和异常难以区分。 处理异常检测的模型包括监督模型、半监督学习和无监督学习模型，具体如下： 一、监督模型 常见分类模型都可使用。若有标签数据，则优先使用有监督学习方法解决问题。在基于监
深度学习异常检测
war3gu的博客
05-30 5334
有label的数据： 确定一个信心分数阈值，Classifier得出的信心分数大于阈值，才表明是正常数据 如何确定信心分数阈值： 先定义一个cost table，表明false alarm和missing的得分，根据cost table计算特定阈值的得分，使用得分最高者阈值 无label的数据： 方法1: 假设数据符合高斯分布，最大化似然函数，得到均值和标准差，然后根据统计再定义一个阈值，就可以判...
异常检测论文阅读（一）——DRÆM：A discriminatively trained reconstruction embedding for surfaceanomaly detection
PG945的博客
04-13 9985
提出的鉴别关节重构正常嵌入方法（DRÆM）由一个重构子网络和一个鉴别子网络组成如图所示。重构子网络训练为隐式检测和重构具有语义上合理的无异常内容的异常，同时保持输入图像的非异常区域不变。同时，判别子网络学习联合重构异常嵌入，并根据级联重构和原始外观生成准确的异常分割图。异常训练示例由一个概念简单的过程创建，该过程在无异常图像上模拟异常。这种异常生成方法提供了任意数量的异常样本以及像素完美的异常分割图，可以在没有真实异常样本的情况下用于训练所提出的方法。 ......
用机器学习检测异常点击流
mergerly的专栏
09-14 7046
本文内容是我学习ML时做的一个练手项目，描述应用机器学习的一般步骤。该项目的目标是从点击流数据中找出恶意用户的请求。点击流数据长下图这样子，包括请求时间、IP、平台等特征： 该项目从开始做到阶段性完成，大致可分为两个阶段：算法选择和工程优化。算法选择阶段挑选合适的ML模型，尝试了神经网络、高斯分布、Isolation Forest等三个模型。由于点击流数据本身的特性，导致神经网络和高
机器学习（十八）异常检测
热门推荐
lonelyrains的专栏
11-16 1万+
机器学习（十八）异常检测问题提出实际生产过程中，出产投入使用之前，经常会评价某些参数是否有异常，然后再判断是否要重新检测。评价并不是简单的根据特定参数的阈值来的，而是根据宏观上产出群体的所有参数分布得出的。 比如生成飞机引擎，震动和热量参数，对所有出产的引擎进行测试，得到如下分布： 为了评价这种差异，定性分析如下： 高斯分布从上面的直观感受、定性分析可知越接近中心区域的越不可能是异常。
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