什么是异常检测，相关资源汇总

最新推荐文章于 2024-06-23 09:33:26 发布
最新推荐文章于 2024-06-23 09:33:26 发布
阅读量1.2k 收藏 20
点赞数 1
分类专栏： 异常检测
原文链接：https://github.com/sixitingting/awesome-anomaly-detection-in-medical-images
版权

这两年，异常检测方面的工作越来越多。相比单纯的分类模型，异常检测需要更少的标注数据，更少的异常数据，因此，减轻了数据的获取难度以及标注难度。

 

目录

1 什么是异常检测（Anomaly detection）

2 异常检测相关资源汇总

2.1 书籍

2.2 教程

2.3 课程/研讨会/视频

2.4 综述与调查论文分享

2.5 关键算法分享

2.6 图和网络异常值检测

2.7 时间序列离群值检测

2.8 异常检测中的表征学习

2.9 可解释性

2.10 神经网络的异常值检测（主要方向）

 2.11 离群值检测应用

3 医学图像异常检测值论文分享

3.1 脑MRI

3.2 脑CT

3.3 视网膜OCT

3.4 视网膜底

3.5 胸部X线

4 博主看过的好论文推荐

4.1 基于GAN的异常检测

4.2 基于内存机制（memory module）的异常检测

1 什么是异常检测（Anomaly detection）

在分类中，我们知道，卷积神经网络通过去学习异常的特征来检测异常。如肺结节的检测，胸部14种常见疾病的分类。就是让网络去学习这些疾病的特征，从而进行检测或分类。在这种方法中，主要存在两个问题。一是如果某些疾病的特征很难学，那么检测的误差就很大。二是如果某一类疾病的数量非常少，类别不平衡。而另一种可行的方法是：让网络去学习正常的图像是什么样子（在训练阶段，只提供正常的图像）。由于网络没有见过异常的图像特征，因此在推理的时候，就重建不出异常的特征，从而检测出异常。我们尽可能地去让模型充分学习正常数据的分布长什么样子，一旦来了异常图像，它即便不知道这是啥新的分布，但依旧可以自信地告诉你：这玩意儿没见过，此乃异类也！

由于异常检测只需要提供正常的图像，因此可以看成是无监督学习（Unsupervised）或半监督学习（Semi-Supervised）。

异常检测可应用于金融，银行欺诈、网络侵入检测、医学图像异常、传感器网络异常、视屏监督、物联网大数据异常、结构缺陷、设备故障，工业异常、日志异常等领域。而工业检测是应用的最多的，也是更成熟一点的领域。最近几年，在医疗上也逐步发展起来（如MRI 脑异常检测），目前可研究的方向非常多，抓住一个方向进行深入研究，进军SCI毫无问题。

2 异常检测相关资源汇总

2.1 书籍

  • 离群值分析

涵盖大多数离群值分析技术的经典教科书。离群点检测领域的人们的必读读物。英文版链接, 价格：106,99 欧元  🤭  。pdf免费下载

  • 离群值集合

离群值分析中集合学习的伟大入门书。英文版链接。价格：4279欧元🤭

  • 数据挖掘：概念与技术

第12章讨论了异常值检测的许多关键点。英文版链接，价格74刀。谷歌链接

2.2 教程

Tutorial TitleVenueYearRefMaterials
Data mining for anomaly detectionPKDD2008[38][Video]
Outlier detection techniquesACM SIGKDD2010[35][PDF]
Anomaly Detection: A TutorialICDM2011[17][PDF]
Anomaly Detection in NetworksKDD2017[48][Page]
Which Anomaly Detector should I use?ICDM2018[67][PDF]

                                                                                                                           表格资源链接地址：github

2.3 课程/研讨会/视频

课程简介：本课程，带DeepLearning的应用人工智能，是IBM当前正在创建的IBM Advanced Data Science证书的一部分，使您可以轻松访问有关Deep Learning模型的宝贵见解由自然语言处理，计算机视觉，时间序列分析和许多其他学科的专家使用。我们将学习线性代数和神经网络的基础知识。然后，我们介绍最受欢迎的DeepLearning框架，例如Keras，TensorFlow，PyTorch，DeepLearning4J和Apache SystemML。Keras和TensorFlow构成了本课程的最大部分。我们了解异常检测，通过使用Keras在来自IoT（物联网），财务标记数据，文献或图像数据库的真实示例中建立模型，来进行时间序列预测，图像识别和自然语言处理。最后，我们学习如何使用Kubernetes，Apache Spark和GPU扩展那些人造大脑。

2.4 综述与调查论文分享

论文标题会场年参考材料
异常检测方法的调查ARTIF INTELL REV2004年[32][PDF]
异常检测：调查CSUR2009年[16][PDF]
异常检测问题的荟萃分析预印本2015年[24][PDF]
关于无监督离群点检测的评估：度量，数据集和实证研究DMKD2016年[11][HTML]，[幻灯片]
多元数据无监督异常检测算法的比较评估一号通2016年[28][PDF]
异常检测算法的比较评估：实验和分析模式识别2018年[23][PDF]
离群值检测的研究问题本书章节2019年[65][HTML]
用于入侵检测的无监督异常检测算法的定量比较SAC2019年[26][HTML]
离群值检测技术的进展：一项调查IEEE访问2019年[69][PDF]
深度学习用于异常检测：一项调查预印本2019年[15][PDF]
深度学习中的异常实例检测：一项调查预印本2020年[10][PDF]
深度学习用于异常检测：回顾预印本2020年[54][PDF]

                                                                                  表格资源链接地址：github

 

2.5 关键算法分享

AbbreviationPaper TitleVenueYearRefMaterials
kNNEfficient algorithms for mining outliers from large data setsACM SIGMOD Record2000[57][PDF]
KNNFast outlier detection in high dimensional spacesPKDD2002[6][PDF]
LOFLOF: identifying density-based local outliersACM SIGMOD Record2000[9][PDF]
IForestIsolation forestICDM2008[41][PDF]
OCSVMEstimating the support of a high-dimensional distributionNeural Computation2001[63][PDF]
AutoEncoder EnsembleOutlier detection with autoencoder ensemblesSDM2017[18][PDF]
COPODCOPOD: Copula-Based Outlier DetectionICDM2020[40][PDF]

 

2.6 图和网络异常值检测

论文标题会场年参考材料
基于图的异常检测和描述：调查DMKD2015年[5][PDF]
动态网络中的异常检测：一项调查电线计算统计2015年[58][PDF]
图形中的异常值检测：对多个图形模型的影响ComSIS2019年[13][PDF]

 

2.7 时间序列离群值检测

论文标题会场年参考材料
时间数据的异常值检测：一项调查传统知识2014年[29][PDF]
使用lstms和非参数动态阈值检测航天器异常凯迪2018年[33][PDF]，[代码]
Microsoft的时间序列异常检测服务凯迪2019年[59][PDF]

 

2.8 异常检测中的表征学习

论文标题会场年参考材料
基于超高维数据的学习表示法，用于基于随机距离的离群值检测SIGKDD2018年[53][PDF]
学习表示形式以进行预算异常值检测预印本2015年[49][PDF]
XGBOD：通过无监督的表示学习来改善有监督的异常值检测联合会2018年[76][PDF]

2.9 可解释性

论文标题会场年参考材料
用特征子空间规则解释组中的异常DMKD2018年[46][PDF]
超越异常值检测：寻找图片说明心电图2018年[50][PDF]
上下文离群值解释IJCAI2018年[43][PDF]
从分类关系数据中挖掘多维上下文离群值国际开发协会2015年[66][PDF]
识别和解释异常值的区别性特征ICDE2014年[19][PDF]
异常检测的顺序特征说明TKDD2019年[64]

[HTML]

 

2.10 神经网络的异常值检测（主要方向）

论文标题会场年参考材料
使用lstms和非参数动态阈值检测航天器异常凯迪2018年[33][PDF]，[代码]
MAD-GAN：使用生成对抗网络对时间序列数据进行多元异常检测预印本2019年[39][PDF]，[代码]
生成对抗性主动学习的无监督异常值检测传统知识2019年[44][PDF]，[代码]
用于无监督异常检测的深度自动编码高斯混合模型ICLR2018年[83][PDF]，[代码]
具有异常值暴露的深度异常检测ICLR2019年[31][PDF]，[代码]
LSTM神经网络的无监督异常检测IEEE TNNLS2019年[25][PDF]，[IEEE]，
通过区分网络的内部优先级进行有效的端到端无监督异常值检测NeurIPS2019年[68][PDF] [代码]

从上述表格中，可以看到，2019年后，主要是基于神经网络的异常检测算法。

 2.11 离群值检测应用

场地论文标题会场年参考材料
安全网络入侵异常检测中使用的距离和相似性度量的调查IEEE通讯。生存 导师。2015年[70][PDF]
安全基于异常的网络入侵检测：技术，系统和挑战电脑与安全2009年[27][PDF]
金融金融领域异常检测技术概述未来一代计算机系统2016年[3][PDF]
交通城市交通数据中的异常检测世界信息管理系统2018年[22][PDF]
社交媒体社交媒体异常检测调查SIGKDD探索2016年[74][PDF]
社交媒体GLAD：社交媒体分析中的组异常检测TKDD2015年[73][PDF]
机器故障使用异常检测方法检测机器故障的开始大华2019年[60][PDF]
视频监控AnomalyNet：用于视频监控的异常检测网络TIFS2019年[79][IEEE]，代码

说明：以上表格链接的资源见 github

3 医学图像异常检测值论文分享

3.1 脑MRI

  • [Alex et. al.] [Generative adversarial networks for brain lesion detection] [Medical Imaging 2017: Image Processing] [google scholar] [pdf]
  • [Chen et. al.] [Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders] [MIDL'18] [google scholar] [pdf]
  • [Chen et. al.] [Deep generative models in the real-world: An open challenge from medical imaging] [arxiv, 2018] [google scholar] [pdf]
  • [Chen et. al.] [Unsupervised lesion detection via image restoration with a normative prior] [MIA, 2020] [google scholar] [pdf]
  • [Baur et. al.] [Deep Autoencoding Models for Unsupervised Anomaly Segmentation in Brain MR Images] [MICCAI'18 workshop] [google scholar] [pdf]
  • [Baur et. al.] [Fusing unsupervised and supervised deep learning for white matter lesion segmentation] [MIDL'19] [google scholar] [pdf]
  • [Baur et. al.] [Bayesian Skip-Autoencoders for Unsupervised Hyperintense Anomaly Detection in High Resolution Brain Mri] [ISBI'20] [google scholar] [pdf]
  • [Baur et. al.] [Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study] [arxiv, 2020] [google scholar] [pdf]
  • [Baur et. al.] [Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI] [MICCAI'20] [google scholar] [pdf]
  • [Zimmerer et. al.] [Context-encoding Variational Autoencoder for Unsupervised Anomaly Detection] [MIDL'19] [google scholar] [pdf]
  • [Zimmerer et. al.] [Unsupervised Anomaly Localization using Variational Auto-Encoders] [MICCAI'19] [google scholar] [pdf]
  • [Zimmerer et. al.] [High-and Low-level image component decomposition using VAEs for improved reconstruction and anomaly detection] [arxiv, 2019] [google scholar] [pdf]
  • [Han et. al.] [MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction] [arxiv, 2020] [google scholar] [pdf]
  • [Zhou et. al.] [Unsupervised anomaly localization using VAE and beta-VAE] [arxiv, 2020] [google scholar] [pdf]

3.2 脑CT

  • [Pawlowski et. al.] [Unsupervised lesion detection in brain CT using bayesian convolutional autoencoders] [MIDL'18] [google scholar] [pdf]

3.3 视网膜OCT

  • [Schlegl et. al.] [Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery (AnoGAN)] [IPMI'17] [google scholar] [pdf][unofficial code]
  • [Schlegl et. al.] [f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks] [MIA, 2019] [google scholar] [pdf][code]
  • [Seebock et. al.] [Exploiting Epistemic Uncertainty of Anatomy Segmentation for Anomaly Detection in Retinal OCT] [TMI, 2019] [google scholar] [pdf]
  • [Zhang et. al.] [Memory-Augmented Anomaly Generative Adversarial Network for Retinal OCT Images Screening] [ISBI'20] [google scholar] [pdf]
  • [Zhou et. al.] [Sparse-GAN: Sparsity-constrained Generative Adversarial Network for Anomaly Detection in Retinal OCT Image] [ISBI'20] [google scholar] [pdf]
  • [Zhou et. al.] [Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images] [ECCV'20] [pdf][code]

3.4 视网膜底

  • [Zhou et. al.] [Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images] [ECCV'20] [pdf][code]

3.5 胸部X线

  • [Tang et. al.] [Abnormal Chest X-ray Identification With Generative Adversarial One-Class Classifier] [ISBI'19] [google scholar] [pdf]
  • [Zhang et. al.] [Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection] [arxiv, 2020] [google scholar] [pdf]
  • [Wolleb et. al.] [DeScarGAN: Disease-Specific Anomaly Detection with Weak Supervision] [MICCAI'20] [google scholar] [pdf][code]

该部分资源见 github 

4 博主看过的好论文推荐

4.1 基于GAN的异常检测

  • GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training   

第一篇将GAN用于异常检测的论文，也是深度学习异常检测方向的重要工作。

摘要：异常检测是计算机视觉中的经典问题，即当数据集由于另一类的样本量不足（异常）而严重偏向一个类别（正常）时，从异常中确定正常。虽然这可以解决为监督学习问题，但更具挑战性的问题是检测未知/未见异常情况，这将我们带入了一类半监督学习范例的空间。通过使用条件学习对抗网络，我们将共同学习高维图像空间的生成和潜在空间的推论，从而介绍这种新颖的异常检测模型。在生成器网络中使用编码器-解码器-编码器子网可以使模型将输入图像映射到较低维向量，然后将其用于重建生成的输出图像。使用附加的编码器网络会将生成的图像映射到其潜在表示。在训练过程中最小化这些图像和潜矢量之间的距离有助于学习正常样本的数据分布。结果，在推理时距该学习的数据分布更大的距离度量指示该分布的异常值（异常）。在来自不同领域的几个基准数据集上进行的实验表明，该模型的有效性和优越性超过了以前的最新方法。

总结：该论文主要在MNIST，CIFAR10，UBA，FFOB数据集上进行了实验。比如在MNIST手写数字上，把其中一个数字看成是异常，其余数字看成是正常进行实验。如下图所示，在MNIST，CIFAR10两个数据集上的AUC 结果，并不是每个类别下auc都好，但是毕竟是开篇之作，已经算是取得了很大的进展。在博主看来，要入门异常检测，这是一篇不得不看的文章。

公开数据，公开代码，可复现，关注我gongzhonghang(文末)，手把手带你读懂论文，复现论文。

  • Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection

从x线安检图像中，检测出违规物品（如枪，刀）

这是上一篇论文的进阶版，也是同一个作者。在上述论文中，编码器解码器都是比较浅的神经网络，因此，重建后的图像就很模糊。在这一篇中，作者的主要工作就是将分割网络Unet作为编码器和解码器，使得重建后的图像接近于输入图像。

总结：可和上一篇论文一同学习。同样公开数据，公开代码，可复现，关注我gongzhonghang(文末)，手把手带你读懂论文，复现论文。这篇论文只有复现后，你才知道它其实很不好推广使用，具体哪里不好，卖个关子🤭。

  • MADGAN: unsupervised Medical AnomalyDetection GAN using multiple adjacent brain MRI slice reconstruction（2020）

将GAN应用于脑MRI的异常检测（我还没仔细看，不过多介绍~~~）。

摘要：依靠健康受试者的大规模无注释医学图像，无监督学习可以发现各种看不见的异常。 为此，无监督方法重建2D / 3D单一医学图像以检测学习到的特征空间中的异常值或从高重建损失中检测异常值。 但是，如果不考虑多个相邻切片之间的连续性，它们就无法直接区分由细微的解剖异常积累组成的疾病，例如阿尔茨海默氏病（AD）。 此外，没有研究表明无监督的异常检测与疾病阶段，各种（即，两种以上的）疾病或多序列磁共振成像（MRI）扫描如何相关。

4.2 基于内存机制（memory module）的异常检测

  • Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection

第一篇将memory引入异常检测的文章，能够算是一篇挖坑之作。后续也有文章跟进这一方面的研究。

简介：提出了MemAE来显式地抑制Auto-encoder的泛化能力。他们的思路是，既然Auto-encoder泛化能力有时候会过强，那么如果让输入decoder的embedding都由正常样本的embedding组合而成，能够预计decoder输出的重构图像也主要由正常样本的特征组成。这样，通过抑制泛化能力来逼迫重构后的图像贴近于正常样本。说大白话：将正常图像的特征存在内存里，这样，在推理时，输入的图像会在内存里检索与它最相近的特征进行恢复重建。如果输入图像是正常图像，那么重建后的图像就和输入图像相似，误差小。如果输入图像是异常图像，但是内存里没有异常图像对应的特征，只能查询到与它最相近的正常特征，这样重建后的图像就和输入图像误差大。

这里不讲细节，同样公开数据，公开代码，可复现，关注我gongzhonghang(文末)，手把手带你读懂论文，复现论文。

  • Learning Memory-guided Normality for Anomaly Detection

这是CVPR 2020的一篇文章，可以看作是上一篇文章的升级版。主要是修改了内存机制。

看完这些还不够，以下是异常检测的一些好文推荐 

异常检测综述：https://zhuanlan.zhihu.com/p/266513299

异常检测论文概述：https://github.com/yzhao062/anomaly-detection-resources#lazarevic2008data

医学图像异常检测论文概述：https://github.com/ClancyZhou/awesome-anomaly-detection-in-medical-images

这只是领域内的一些好文分享，接下来会分享经典论文的理解和复现。论文看的再多，会动手才是硬道理。关注我，一起学习，一起成长。

 

Tina姐
关注
  • 1
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Unsupervised Detection of Lesions in Brain MRI using constrained adversarial auto-encoders
fruit的博客
10-12 539
Abstract 脑部病变检测磁共振图像（MRI）仍然是一项具有挑战性的任务。最先进的方法主要基于使用大型注释数据集的监督学习。另一方面，即使是非专家，人类在看到一些健康的大脑图像后也可以检测到大多数异常病变。复制这种使用健康大脑结构外观的先前信息来检测病变的能力可以帮助计算机实现人体水平的异常检测，特别是减少对许多标记实例的需要并且更好地推广先前未见过的病变。为此，我**们通过使用基于自动编码器...
ECCV / TNNLS 20 - 如何在异常检测中利用“结构structure - 纹理texture”一致性【P-Net，MemSTC-Net】
要相信光
12-10 4176
文章目录前言P-NetMEMSTC-Net总结 前言 不管是医学图像还是工业图像领域，异常检测都是非常重要的一个研究方向（在训练时只有正常样本，测试时需要模型判断输入样本是否存在异常）。存在一个先验：正常/健康的样本都存在着规律性的结构，而异常样本由于异常/病变区域的存在，其结构通常会被损坏【如上图所示，其展示了"眼底图像中的结构化血管"，“光学相干断层扫描图像中的结构化解剖结构”】。 那么，如何利用图像这种结构-纹理的关系到异常检测中来呢？本文介绍上海科技大学Kang Zhou分别在ECCV2020和T
探索未知，精确检测——FastFlow：异常检测与定位的高效工具
最新发布
gitblog_00039的博客
06-23 794
探索未知，精确检测——FastFlow：异常检测与定位的高效工具 项目地址:https://gitcode.com/gathierry/FastFlow 在复杂多变的数据世界里，异常检测犹如探针，洞察那些偏离正常模式的细枝末节。今天，我们带您深入了解一款基于PyTorch实现的开源项目——FastFlow，它以《FastFlow: Unsupervised Anomaly Detection an...
《异常检测——从经典算法到深度学习》9 异常检测资料汇总（持续更新&抛砖引玉）
Smileyan's blog
03-07 8983
考虑到异常检测任务的繁琐，这里特地列举一些可能大家用的到的论文和资料，如果有补充请务必在后面留言。 1. 论文 论文是重中之重，请务必重视论文阅读。
anomaly detection学习笔记（自用）
smallbig12的博客
06-29 2185
记录一下学习anomaly detection的学习过程以及每日计划。
【论文精读】MedIAnomaly：医学图像异常检测的比较研究
weixin_47748259的博客
04-15 1391
检测出偏离了预期正常模式的异常样本。假设大量具有相似模式的正常样本是容易获得的，而具有多样化和位置模式的异常样本很难全面收集。因此AD方法一般只需要正常数据即可进行训练，不需要异常样本，因此在医学领域的罕见病识别和健康筛查中发挥着重要作用。相关研究众多，但是缺乏公正、全面的评价，导致一些结论模糊不清，阻碍了该领域的发展：现有工作中使用不同的数据集或分区会妨碍再现性和可比性，从而破坏研究结果的可靠性。
时间序列异常检测精选论文-2020.zip
12-28
时间序列异常检测是数据分析领域中的一个关键问题，特别是在工业监控、金融风控、健康监测等多个行业中。这个压缩包文件“时间序列异常检测精选论文-2020.zip”包含七篇最新的关于多维时间序列数据异常检测的研究...
图像向量进行联邦学习中异常检测-内含源码和说明书(可自己修改).zip
05-25
在本项目中，我们主要探讨的是如何在联邦学习（Federated Learning）环境中利用图像向量进行异常检测。联邦学习是一种分布式机器学习方法，它允许数据在本地设备上进行训练，而无需将数据集中到一个中心节点，从而...
80+开源数据集资源汇总（包含目标检测、医学影像、关键点检测、工业检测等方向）
07-13
这篇文章提供了一个非常全面的开源数据集资源汇总，涵盖了多个领域，包括目标检测、医学影像、关键点检测和工业检测。这些数据集对于机器学习和深度学习的研究者来说是非常宝贵的资源，可以帮助他们训练和验证算法，...
真棒TS异常检测：用于按时间序列数据进行异常检测的工具和数据集的列表
02-03
"真棒TS异常检测"（Awesome TS Anomaly Detection）是一个资源列表，它汇总了用于时间序列异常检测的各种工具和数据集。 这个列表可以帮助研究人员和开发人员找到适用于不同场景的异常检测方法。下面是一些关键知识...
【论文】Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection
七把叉
04-01 5060
这篇是基于GANomaly的改进。文章的代码暂时没有公布。 Akçay S, Atapour-Abarghouei A, Breckon T P. Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection[J]. arXiv preprint arXiv:1901.08954...
awesome-anomaly-detection-in-medical-images:医学图像中令人敬畏的异常检测
05-29
医学图像中令人敬畏的异常检测 受其他 awesome-* 计划的启发，精选的医学成像中令人敬畏的异常检测列表。 有关一般计算机视觉中异常检测的完整列表，请访问。 --- 最后更新：2021 年 1 月 9 日 --- 如需补充或更正，请联系我zhoukang [at] shanghaitech [dot] edu [dot] cn或发送 pull request 。 概述 基于深度学习的方法 脑部核磁共振 [亚历克斯等。 阿尔。 ] [用于脑病变检测的生成对抗网络] [医学影像2017：图像处理] [谷歌学者] [pdf] [陈等。 阿尔。 ] [使用约束对抗性自动编码器对脑 MRI 中的病变进行无监督检测] [MIDL'18] [谷歌学者] [pdf] [陈等。 阿尔。 ] [现实世界中的深度生成模型：医学成像的开放挑战] [arxiv，2018] [谷歌学者] [pdf]
【文献阅读笔记】关于GANomaly的异常检测方法
pengmingjv的博客
11-27 429
关于GANomaly的异常检测方法
【阿里天池赛题】医学影像报告异常检测--赛题思路分析
BetterBench的博客
01-25 1376
目录详细赛题1 初赛赛题分析2 赛题处理思路3 准备工作 这是本人的目前的思考拙见，如果有问题，请在评论区指出，还在持续思考实时更新 详细赛题 【阿里天池赛题】2021年赛道一：医学影像报告异常检测 1 初赛赛题分析 （1）最多17个输入，但不固定，12类label，每个label0-1分类，但需要计算每个label的概率 样本数量为10份 训练集10000 测试集3000 （2）是一个文本多分类问题 sklearn包中的两个函数来计算预测结果和预测概率 predict()：返回预测标签结果 predic
异常检测 and GAN网络（2）
weixin_42105848的博客
07-13 4041
这里主要介绍一些GAN网络的变种网络——DCGAN网络、WGAN / WGAN-GP网络以及用于异常检测的GANomaly网络，其在性能上较GAN网络都有一定的提升。大家一起学习呀~
【论文阅读笔记】论文总结Automated Lesion Detection和PseudoEdgeNet两篇
Hanxy_Robin
10-25 629
文章目录Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural NetworkMotivationResultPseudoEgdeNet: Nuclei Segmentation only with Point AnnotationsMotivationMethodResult Automate...
（转）Awesome GAN for Medical Imaging
a1424262219的博客
08-10 614
Awesome GAN for Medical Imaging 2018-08-1009:32:43 This blog is copied from:https://github.com/xinario/awesome-gan-for-medical-imaging A curated list of awesome GAN resources in medica...
SVM 推导
fruit的博客
02-26 588
参考 http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html http://blog.csdn.net/sinat_22594309/article/details/61615946 http://blog.csdn.net/v_july_v/article/details/7624837 理解SVM...
Lintcode 链表划分
fruit的博客
12-09 724
题目：给定一个单链表和数值x，划分链表使得所有小于x的节点排在大于等于x的节点之前。你应该保留两部分内链表节点原有的相对顺序。样例：给定链表 1->4->3->2->5->2->null，并且 x=3返回 1->2->2->4->3->5->null/** * Definition of ListNode * class ListNode { * public: * int val;
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