深度学习论文: A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop

已于 2023-08-23 17:11:21 修改
阅读量1.5k 收藏 12
点赞数 2
分类专栏： Anomaly Detection Paper Reading Deep Learning 文章标签： 深度学习 人工智能
于 2023-08-14 15:09:38 首次发布
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/shanglianlm/article/details/132276540
版权
文章介绍了在CVPR2023VAND挑战中的零样本和少样本异常检测及分割方法，通过CLIP模型和创新的文本提示集成，该方法在零样本任务中获得第一名，在少样本任务中也表现出色。作者还分享了详细的PyTorch代码实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习论文: A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop Challenge Tracks 1&2: 1st Place on Zero-shot AD and 4th Place on Few-shot AD
A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop Challenge Tracks 1&2: 1st Place on Zero-shot AD and 4th Place on Few-shot AD
PDF: https://arxiv.org/pdf/2305.17382.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

为了解决工业视觉检测中产品类型的广泛多样性࿰

了解本专栏 订阅专栏 解锁全文 超级会员免费看
深度学习论文: WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation
mingo_敏
08-22 6892
WinCLIP是一种基于CLIP（Contrastive Language-Image Pretraining）模型的方法，用于零样本和少样本的异常分类和分割任务。该方法结合了文本编码器和图像编码器，利用CLIP模型的文本-图像关联能力来实现准确的异常识别和定位。WinCLIP的核心思想是通过将不同状态和模板转换为文本嵌入，然后与图像编码器生成的图像嵌入进行关联，学习到异常和正常样本之间的关系。为了实现这一目标，WinCLIP引入了参考关联的概念。
深度学习论文: PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
mingo_敏
06-02 1402
PaDiM 在单类学习中同时检测和定位图像中的异常，PaDiM利用一个预先训练好的卷积神经网络(CNN)进行patch嵌入，利用多元高斯分布得到正态类的概率表示。同时利用了CNN的不同语义级别之间的相关性来更好地定位异常。
WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation 技术文档
gitblog_01202的博客
10-18 620
WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation 技术文档 WinClip [CVPR 2023] Unofficial re-implementation of "WinCLIP: Zero-/Few-Shot Anomaly Classif...
MuSc代码阅读记录
最新发布
djh148的博客
04-03 231
MuSc源码阅读记录
WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation（WinCLIP:零/少射异常分类和分割）
C__newbird的博客
08-16 2936
与对象级分类器不同，CLIP-AC在给定对象的两种状态之间执行分类，即“正常”或“异常”，这是主观的，根据任务有不同的定义。其中的Win CLIP最重要的变化是窗口的设计。作者设计了三种不同的窗口 image-scale、mid-scale、small-scale，将不同尺寸的窗口提取的特征进行融合，并进行像素级的异常评分，得到异常分割结果。为了利用在少量正常镜头设置中可用的正常图像，我们引入了WinCLIP，它聚合了来自语言驱动的WinCLIP的补充信息和来自正常参考图像的视觉线索，如图2(c)所示。
探索未知的边界：WinCLIP——零/少样本异常分类与分割神器
gitblog_00001的博客
06-06 1940
探索未知的边界：WinCLIP——零/少样本异常分类与分割神器 项目地址:https://gitcode.com/gh_mirrors/wi/WinClip 在计算机视觉的浩瀚星海中，检测和理解异常现象是至关重要的一环。今天，我们聚焦于一个前沿项目——WinCLIP，这一开创性工作源于CVPR 2023的论文，为解决零样本或少数样本下的异常分类和分割问题带来了新的曙光。 项目介绍 WinCLIP，...
推荐开源项目：WinCLIP - 零/少样本异常分类与分割的利器
gitblog_00200的博客
08-16 1296
推荐开源项目：WinCLIP - 零/少样本异常分类与分割的利器 WinClip[CVPR 2023] Unofficial re-implementation of "WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation".项目地址:https://gitcode.com/gh_mirrors/wi/WinClip 在...
【论文泛读15】深度学习的图形相似度
scu-liu的博客
02-23 2027
贴一下汇总贴：论文阅读记录 论文链接：《A Graph Similarity for Deep Learning》 一、摘要 图神经网络(GNNs)已经成功地从图中学习表示。许多流行的gnn遵循聚合-转换的模式:它们聚合邻居的属性，然后用一个可学习的函数转换聚合的结果。对这些gnn的分析解释了哪些非同图对具有不同的表示。然而，我们仍然缺乏对这些表述有多相似的理解。我们采用核距离，并提出transform-sum-cat作为聚合变换的替代方案，在邻域聚合中反映节点邻域之间的连续相似性。这个想法导致了一个简单而
工业异常检测最新文章整理
weixin_37501173的博客
11-11 1565
尽管由于大量的训练数据集，他们在识别常见对象方面有很强的能力，但他们缺乏特定的领域知识，对对象内的局部细节理解较弱，这阻碍了他们在工业异常检测（IAD）任务中的有效性。在MVTec AD数据集上。通过设计一种基于clip的异常检测器，以滑动窗口的方式对风扇图像的每个部分进行快速引导分类，解决了这种低效的训练要求的问题。视觉异常检测的核心思想是从正常图像中学习正态性，但以往的工作都是针对特定的任务开发的，导致各种任务之间的碎片化:缺陷检测、语义异常检测、多类异常检测和异常聚类。中科院 2023 arxiv。
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读
qq_34809969的博客
07-28 9790
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读文章速览 文章速览 论文名：基于自监督学习的图像异常检测和定位方法 网址：[CutPaste网址链接](https://paperswithcode.com/paper/cutpaste-self-supervised-learning-for-anomaly) 作者：Chun-Liang Li*, Kihyuk Sohn*,
异常检测(Out-of-distribution detection\ anomaly detection)相关论文阅读
supergxt的博客
06-17 3403
作者 Terrance DeVries 、Graham W. Taylor 论文原地址：https://arxiv.org/abs/1802.04865 Learning Confidence for OOD detection in NN OOD : where a network must determine whether or not an input is outside of the set on which it is expected to safely perform 提到任何事物都有认知
探索深度学习图像相似性：Image Similarity using Deep Ranking
gitblog_00032的博客
06-11 586
探索深度学习图像相似性：Image Similarity using Deep Ranking 去发现同类优质开源项目:https://gitcode.com/ 在这个项目中，我们将深入研究如何利用深度学习技术来实现图像相似度的计算。该项目采用了一种简化版的深度排名模型，旨在帮助用户快速上手计算机视觉中的这一重要任务。无论是想创建一个视觉搜索引擎，还是在其他相关领域进行研究，这个开源项目都值得你关...
医学图像配准中的深度学习综述论文解读
小白学视觉
10-17 1742
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：https://zhuanlan.zhihu.com/p/92032320作者：莫云非本文来自知乎专栏，仅供学习参考使用，著作权归作者所有。如有侵权，请私信删除。这里笔者尝试解读一篇2019年预发表的《Deep Learning in Medical Image Registration: A Survey》论文综述，在这...
7篇异常检测最新论文解析（附20+篇高引经典）
学姐带你玩AI的博客
06-19 5432
异常检测作为机器学习中的一个非常重要的子分支，目前已经广泛应用于计算机视觉、数据挖掘、NLP等方向。近年来，随着大数据的不断发展，我们对数据处理效率的要求越来越高，人工早已比不上机器，这时候，及时检测数据中的异常问题并加以解决，就成为了不可忽视的重点。这也是为什么异常检测仍是热门研究方向的原因之一。老规矩下载打包好了，看文末直接领取。
缺陷检测文献
轻舟已过万重山
09-02 8459
缺陷检测文献阅读
【计算机视觉 | 异常检测】顶会精选！工业异常检测最新SOTA方案分享！（下）
wzk4869的博客
11-30 3275
【计算机视觉 | 异常检测】顶会精选！工业异常检测最新SOTA方案分享！（下）
探索工业视觉新境界：MuSc，零样本工业异常检测与分割利器
gitblog_00090的博客
06-19 1022
探索工业视觉新境界：MuSc，零样本工业异常检测与分割利器 MuScThis is an official PyTorch implementation for "MuSc : Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images" (MuS...
OOD:Prompt-Guided Zero-Shot Anomaly Action Recognition using Pretrained Deep Skeleton Features
ResumeProject的博客
05-03 1096
本文研究了无监督异常动作识别，该识别在没有异常样本的情况下以无监督的方式识别视频级异常人类行为事件，并同时解决了传统基于骨架的方法中的三个限制：目标域相关DNN训练、对skele-ton误差的鲁棒性和缺乏正常样本。我们提出了一个统一的、用户提示引导的零样本学习框架，该框架使用了一个目标域相关骨架特征提取器，该提取器在大规模动作识别数据集上进行了预处理。特别地，在使用正态样本的训练阶段，该方法对正态动作的骨架特征的分布进行建模，同时冻结DNN的权重，并在推理阶段使用该分布来估计异常分数。
ICLR 2024 | MuSc：基于无标签样本间互打分的零样本工业异常检测
yetzirah的博客
05-19 1773
论文《MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images》简介，发表在ICLR 2024上
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

mingo_敏

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