AAAI 2024 | CNC：用于无监督多类异常检测的跨模态正态约束

最新推荐文章于 2025-05-05 14:07:50 发布
最新推荐文章于 2025-05-05 14:07:50 发布
阅读量87 收藏
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： 人工智能 深度学习 计算机视觉 AAAI 论文解读 计算机顶会
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/qq_42722197/article/details/145076833
版权

论文信息

题目：CNC: Cross-modal Normality Constraint for Unsupervised Multi-class Anomaly Detection
CNC：用于无监督多类异常检测的跨模态正态约束
作者：Xiaolei Wang, Xiaoyang Wang, Huihui Bai, Eng Gee Lim, Jimin Xiao

论文创新点

  1. 跨模态正态约束（CNC）：论文提出了一种新的跨模态正态约束方法，利用类别无关的可学习提示来捕捉不同视觉模式中的常见文本正态性，并引导解码特征朝向“正常”文本表示，从而抑制解码器对异常模式的过度泛化（OG）。
  2. 门控专家混合模块（MoE）：为了处理多类训练中不同补丁模式之间的相互干扰，论文引入了
了解本专栏 订阅专栏 解锁全文
AAAI 2025 | CNC：用于无监督多类异常检测的跨模态正态约束
Python_cocola的博客
02-04 1128
现有的基于无监督蒸馏的方法依赖于编码和解码特征之间的差异来定位测试图像中的异常区域。然而，仅在正常样本上训练的解码器仍然能够很好地重建异常补丁特征，从而降低了性能。这个问题在无监督多类异常检测任务中尤为突出。作者将这种行为归因于解码器的“过度泛化”（OG）：多类训练中补丁模式的多样性显著增加，增强了模型对正常补丁的泛化能力，但也不可避免地扩大了对异常补丁的泛化。
AAAI2024 基于扩散模型 多类别 工业异常检测 DiAD
黎国溥
05-28 4816
本文分享一个基于扩散模型的多类别异常检测框架，用于检测工业场景的缺陷检测或异常检测。设计SG语义引导网络，在重建过程中有效保持输入图像的语义信息，解决了LDM在多类别异常检测中的语义信息丢失问题。高效重建，通过在潜在空间中进行扩散和去噪操作，增强了模型在处理复杂结构和大规模缺陷时的重建能力。同时分析基础扩散模型DDPM和LDM，对比设计原理和效果。
【AAAI-2024工业异常检测文献总结】UCAD:无监督异常检测和分割的持续学习框架
qq_52291558的博客
12-11 2081
引入 基于增量训练的无监督异常检测（UAD）方法。它的作用在于不需要依赖标记的异常数据。这对于工业图像异常检测尤为重要，因为工业图像中的异常难以预测，且难以获得大量的异常标记数据。存在的问题模型遗忘问题：UAD需要为不同类顺序训练单独的模型，这导致学习新任务时遗忘旧任务信息。持续学习的挑战：想用持续学习解决UAD灾难性遗忘的问题，但由于缺少足够的异常样本，持续学习在UAD中的应用受限。计算负担：随着类别增加，计算负担加重。顺序训练时的持续学习能力。
BEV蒸馏来了！BEVDistill：用于多目3D目标检测的跨模态BEV蒸馏
CV_Autobot的博客
11-04 2091
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！ICLR2023双盲审中论文链接：https://openreview.net/forum?id=-2zfgNS917摘要基于多视图的三维目标检测是视觉场景理解的基础和挑战性任务。多视图（multi-view)三维目...
AAAI 2020 | 清华大学：借助BabelNet构建多语言义原知识库
喜欢打酱油的老鸟
12-31 2188
2019-12-31 05:44:06 作者 | 岂凡超（清华大学） 责编 | Camel 本文对清华大学完成的已被 AAAI-20 录用的论文《Towards Building a Multilingual Sememe Knowledge Base: Predicting Sememes for BabelNet Synsets》进行解读。 论文链接：arxiv.org/pdf...
AAAI2024--频谱在多模态表示和融合中的作用更为有效：A Multimodal Spectrum Rumor Detector
weixin_44791273的博客
09-19 1613
多模态内容，如将文本与图像混合，对社交媒体中的谣言检测提出了重大挑战。现有的多模态谣言检测侧重于在空间和序列位置之间混合令牌进行单模态表示，或者在模态间融合谣言真实性的线索。然而，它们受到单模态表示的区分度较低的影响，并且在耗时的空间和序列令牌融合中容易受到复杂位置依赖性的影响。。大量的实验表明，FSRU实现了令人满意的多模态谣言检测性能。
AAAI 2020 | 多模态基准指导的生成式多模态自动文摘
喜欢打酱油的老鸟
01-08 1604
2020-01-06 10:17 导语：基本想法是优化多模态摘要训练的目标函数~ 作者 | 朱军楠、张家俊 多模态自动文摘是指利用计算机实现从含有两种或两种以上模态（如图片、文本等）的信息中生成图文式摘要的过程。该技术可以广泛应用于新闻推送、跨境电商、产品描述自动生成等多个领域，具有重要的研究价值和丰富的应用场景。 近年来，随着计算机视觉以及自然语言处理技术的发展，多模态自动文...
论文分享|AAAI2024‘北航|软标签监督实现通用密集检索——图文检索中的跨模态和单模态软标签对齐
weixin_45783724的博客
07-17 1342
近年来，目前的图像-文本检索方法取得了惊人的性能。模态间匹配缺失问题和模态内语义丢失问题。这些问题会显著影响图像-文本检索的准确性。为了解决这些挑战，我们提出了一种新的方法，称为跨模态和单模态软标签对齐（CUSA）。我们的方法利用单模态预训练模型的力量，为图像-文本检索模型提供软标签监督信号。利用这些信号，本文提出了两种对齐技术，跨模态软标签对齐（CSA）和单模态软标签对齐（USA），以减轻假负例问题，并增强单模态样本之间的相似性识别。我们的方法被设计为即插即用模块。
AAAI 2024 | Rolling-Unet：重振MLP对于医学图像分割高效提取长距离依赖的能力
阿木寺的博客
05-05 1329
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【医学图像分割】交流群添加微信：CVer5555，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！代码（已开源）：https://github.com/Jiaoyang45/Rolling-Unet...
AAAI 2023 | LipCDE: 连续时间观测下的因果效应推断
AITIME_HY的博客
03-16 656
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！曹德福：南加州大学(USC)Melady Lab 二年级博士生，研究方向包括因果推断和时间序列，已发表包含NeurIPS, ICLR, AAAI在内的国际顶会论文十余篇，AAAI 2023预讲论文一作学者。研究背景在连续时间观测情况下，当我们考虑到有存在我们没有观测到的confounders(混杂因素)的存在的条件下，我们怎么样去做这样的...
论文分享|AAAI2024‘北航|用大语言模型缩小有监督和无监督句子表示学习的差距
weixin_45783724的博客
07-16 1028
句子表示学习（SRL）是自然语言处理（NLP）中的一项基本任务，句子编码对比学习（CSE）因其优越的性能而成为主流技术。CSE中一个有趣的现象是有监督方法和无监督方法之间的显著性能差异，它们唯一的区别在于训练数据。以前的工作将这种性能差距归因于对齐和均匀性的差异。然而，由于对齐和均匀性只衡量结果，他们没有回答“训练数据的什么方面导致了性能差距？”以及“如何才能缩小性能差距？本文进行了实验来回答这两个问题。首先通过彻底比较监督和无监督CSE在各自训练过程中的行为来回答“什么”的问题。从比较中，我们确定了。
AAAI2024论文解读|SentinelLMs: Encrypted Input Adaptation and Fine-Tuning of Language Models for Private
paixiaoxin的博客
01-21 414
本文提出了一种创新方法，用于在保护用户隐私和安全的前提下，对基于Transformer的语言模型进行加密输入的自适应和微调。作者通过不可逆的分词器和词嵌入变换，使模型能够在加密输入上进行推理，同时防止从模型参数和中间输出中反向工程文本。实验表明，经过自适应和微调的模型在多种基准数据集上达到了与原始模型相当的性能，同时显著增强了用户隐私和安全性。
自然语言处理实战：用CRF打造高精度命名实体识别系统
Loving_enjoy的博客
05-03 1100
无论是想快速搭建一个可用的NER系统，还是希望深入理解概率图模型的精髓，CRF都是值得放入工具箱的利器。'prev_is_b-geo': prev_tag == 'B-GEO' # 假设prev_tag是前一个标签。('参观天安门', ['O', 'B-POI', 'I-POI', 'I-POI'])" —— 人工智能先驱吴恩达。- **BiLSTM-CRF**：经典组合，在CoNLL-2003达到91%的F1值。('北京市', ['B-GEO', 'I-GEO', 'I-GEO']),
解锁DeepSeek模型微调：从小白到高手的进阶之路
邓邓子的博客
05-05 1079
本文围绕 DeepSeek 模型微调展开系统阐述。首先介绍 DeepSeek 模型在 AI 领域的重要地位及其优势，点明微调对提升模型性能的关键意义。接着深入解析微调原理，涵盖迁移学习基础与参数更新机制。随后详细讲解数据准备、模型选择加载、微调训练实战等核心步骤，包括数据收集标注预处理、参数设置与策略选择。还通过实战案例展示微调全流程，并基于评估结果提出优化改进方法。最后对 DeepSeek 模型微调进行总结，展望其未来发展方向，为希望掌握 DeepSeek 模型微调技术的读者提供全面指导。
远光软件发布九天 AI 应用开发平台，加速企业研发效能跃升
YG_JT的博客
04-30 1030
4月25日，远光软件在“2025珠海软件产业年会暨AI技术赋能行业发展交流会”上以虚拟直播方式发布了远光九天AI应用开发平台。
存算一体架构下的新型AI加速范式：从Samsung HBM-PIM看近内存计算趋势
高效做AI，就上Aladdin! 同学们用得起的H卡算力平台。
05-01 1625
存算一体不是简单的技术改良，而是对计算本质的重新思考。当HBM-PIM将能效边界推向10 TFLOPS/W，我们正站在架构革命的临界点。这场变革的终极目标，是让计算回归数据本源——‌在比特诞生的地方处理比特‌。本文实验数据基于Samsung Aquabolt-XL HBM-PIM实测，更多技术细节请参考ISSCC 2023论文《A 1ynm 16Gb 4.8TFLOPS/W HBM-PIM with Bank-Level Programmable AI Engines》。
我让AI接管了浏览器！Browser Tools MCP教程：自动Debug+截屏+SEO分析
seeyouintokyo的博客
05-03 1360
小白友好，且效率翻倍
英伟达语音识别模型论文速读：Token-and-Duration Transducer（TDT）架构
最新发布
weixin_52582710的博客
05-05 995
论文提出的 TDT 模型通过在传统 Transducer 模型中加入显式的持续时间建模，在语音识别、语音翻译和口语理解等多个序列任务中均优于传统 Transducer 模型。TDT 模型不仅在准确率上表现相当或更好，而且在推理速度上显著提升，最高可达 2.82 倍加速。此外，TDT 模型在抗噪声和处理重复 token 方面也展现出更强的鲁棒性。未来的工作将致力于进一步提高 TDT 模型的计算效率和准确性，并开发高效的 TDT 模型束搜索算法。
AAAI2024目标检测
01-23
### AAAI 2024会议中目标检测研究论文及相关信息 #### 关于AAAI 2024会议的目标检测研究动态 AAAI (Association for the Advancement of Artificial Intelligence) 是人工智能领域的重要国际学术会议之一。对于即将举行的AAA I2024，在目标检测这一热门方向上预计将会有众多高质量的研究成果展示。 虽然具体接受的论文列表尚未公布，基于以往的趋势以及当前计算机视觉特别是目标检测技术的发展状况可以推测，此次会议上可能会涉及以下几个方面的新进展： - **改进现有框架**：进一步优化现有的两阶段和单阶段检测器架构，如Faster R-CNN、RetinaNet 和 FCOS等模型[^1]。 - **轻量化设计**：针对边缘设备的应用需求，开发更加紧凑高效的网络结构，以实现低功耗下的高性能表现。 - **多模态融合**：探索如何有效结合不同传感器获取的数据（例如RGB-D图像），从而提升复杂场景下物体识别的效果。 为了获得最准确的信息，建议关注官方渠道发布的最新通知或通过搜索引擎查询“AAAI 2024 accepted papers”，这通常会提供完整的收录文章清单链接。此外，也可以访问大会官方网站查看议程安排和技术报告摘要等内容。 ```python import requests from bs4 import BeautifulSoup def fetch_conference_papers(conference_name, year): url = f"https://www.aaai.org/Conferences/conference.php?conf={conference_name.lower()}&year={year}" response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser') paper_links = [] for link in soup.find_all('a'): href = link.get('href') if "papers" in str(href).lower(): paper_links.append(f"https://www.aaai.org/{href}") return paper_links[:5] # Example usage fetch_conference_papers("AAAI", 2024) ``` 此段Python代码可以帮助自动化检索特定年份内指定会议的相关论文页面链接作为初步筛选工具。
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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