異常檢測(cè)作為機(jī)器學(xué)習(xí)中的一個(gè)非常重要的子分支，目前已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺、數(shù)據(jù)挖掘、NLP等方向。近年來，隨著大數(shù)據(jù)的不斷發(fā)展，我們對(duì)數(shù)據(jù)處理效率的要求越來越高，人工早已比不上機(jī)器，這時(shí)候，及時(shí)檢測(cè)數(shù)據(jù)中的異常問題并加以解決，就成為了不可忽視的重點(diǎn)。

這也是為什么異常檢測(cè)仍是熱門研究方向的原因之一。

所以今天學(xué)姐又來分享了！這次挑選了異常檢測(cè)最新的7篇高分論文以及20+篇經(jīng)典高引論文，異常檢測(cè)方向的同學(xué)速度收藏，下一篇的論文idea就在這里面了！

掃碼添加小享，回復(fù)“異常檢測(cè)”
領(lǐng)取全部33篇必讀論文合集

最新論文

[CVPR 2023]DeSTSeg：用于異常檢測(cè)的分割引導(dǎo)的教師-學(xué)生降噪

標(biāo)題：DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection

論文貢獻(xiàn)：

作者提出了一種去噪學(xué)生編碼器-解碼器，它經(jīng)過訓(xùn)練，可以從具有異常輸入的教師那里顯式地生成不同的特征表示。使用分割網(wǎng)絡(luò)來自適應(yīng)地融合多級(jí)特征相似性，以取代經(jīng)驗(yàn)推理方法。

作者在基準(zhǔn)數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn)，證明了該方法對(duì)各種任務(wù)的有效性。

[CVPR 2023]EfficientAD:毫秒級(jí)延遲的準(zhǔn)確視覺異常檢測(cè)

標(biāo)題：EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies

論文貢獻(xiàn)：

• 提出一種方法EfficientAD，用于圖像異常檢測(cè)

• 采用輕量級(jí)特征提取器和學(xué)生-教師方法

• 訓(xùn)練學(xué)生網(wǎng)絡(luò)預(yù)測(cè)正常圖像特征，并設(shè)計(jì)訓(xùn)練損失約束學(xué)生網(wǎng)絡(luò)

• 采用自動(dòng)編碼器檢測(cè)邏輯異常

• 在32個(gè)數(shù)據(jù)集上證明EfficientAD的有效性

• EfficientAD計(jì)算高效，可用于實(shí)際應(yīng)用

[CVPR 2023]VAND工作室Challenge賽道1&2的零次/少次異常分類和分割方法:零次異常檢測(cè)第一名和少次異常檢測(cè)第四名

標(biāo)題：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

論文貢獻(xiàn)：

• 介紹他們?cè)赩AND 2023 Challenge零次/少次競(jìng)賽中的解決方案

• 對(duì)于零次競(jìng)賽，基于CLIP模型添加線性層與文本特征比較生成異常圖

• 對(duì)于少次競(jìng)賽，利用存儲(chǔ)器銀行存儲(chǔ)參考圖像特征與測(cè)試圖像特征比較

• 在零次/少次競(jìng)賽中取得較好成績(jī)

[ICASSP 2023]基于GAN的無(wú)監(jiān)督機(jī)器音頻異常檢測(cè)

標(biāo)題：Unsupervised Anomaly Detection and Localization of Machine Audio: A GAN-based Approach

論文貢獻(xiàn)：

• 提出一種新的異常定位方法AEGAN-AD，用于機(jī)器音頻的無(wú)監(jiān)督異常檢測(cè)

• AEGAN-AD采用GAN，生成器重構(gòu)輸入譜圖，判別器輔助生成器

• 在五種機(jī)器類型上證明AEGAN-AD的有效性

[CVPR 2023]WinCLIP:零次/少次異常分類和分割?

標(biāo)題：WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation

論文貢獻(xiàn)：

• 提出WinCLIP和WinCLIP+用于零次/少次數(shù)正常圖像的異常分類和分割

• WinCLIP基于CLIP，使用狀態(tài)詞和提示模板的組合集合以及特征提取和聚合

• WinCLIP+使用正常圖像的互補(bǔ)信息

• 在數(shù)據(jù)集上驗(yàn)證WinCLIP和WinCLIP+的有效性，超過當(dāng)時(shí)現(xiàn)有方法

[CVPR 2023]SimpleNet:用于圖像異常檢測(cè)和定位的簡(jiǎn)單網(wǎng)絡(luò)

標(biāo)題：SimpleNet: A Simple Network for Image Anomaly Detection and Localization

論文貢獻(xiàn)：

• 提出SimpleNet用于檢測(cè)和定位異常，SimpleNet具有較高的速度

• SimpleNet由四個(gè)組件組成：特征提取器、特征適配器、異常特征生成器和異常判別器

• SimpleNet基于三個(gè)直覺：特征轉(zhuǎn)換降低領(lǐng)域偏差、特征空間生成異常更有效、簡(jiǎn)單判別器更高效

• 在數(shù)據(jù)集上驗(yàn)證SimpleNet的有效性，達(dá)到最佳性能

[CVPR 2023]使用預(yù)訓(xùn)練的深度骨骼特征的提示引導(dǎo)的零次異常動(dòng)作識(shí)別

標(biāo)題：Prompt-Guided Zero-Shot Anomaly Action Recognition using Pretrained Deep Skeleton Features

論文貢獻(xiàn)：

• 提出一種無(wú)監(jiān)督異常動(dòng)作識(shí)別方法

• 該方法解決目標(biāo)域依賴的DNN訓(xùn)練、對(duì)骨骼誤差的魯棒性缺乏和正常樣本缺乏三個(gè)限制

• 該方法使用目標(biāo)域獨(dú)立的特征提取器和特征分布建模

• 該方法使用點(diǎn)云深度學(xué)習(xí)DNN架構(gòu)和用戶提示相似度增加魯棒性和補(bǔ)充正常樣本

掃碼添加小享，回復(fù)“異常檢測(cè)”?

領(lǐng)取全部33篇必讀論文合集

經(jīng)典論文

PANDA：調(diào)整預(yù)訓(xùn)練特征以進(jìn)行異常檢測(cè)和分割

標(biāo)題：PANDA：Adapting Pretrained Features for Anomaly Detection and Segmentation

論文貢獻(xiàn)：

• 實(shí)證預(yù)訓(xùn)練特征和簡(jiǎn)單方法超過最新異常檢測(cè)方法

• 提出將預(yù)訓(xùn)練特征調(diào)整為目標(biāo)分布以提高性能

• 分析簡(jiǎn)單適應(yīng)方法在單類別分類問題的崩潰，提出早停法變種和彈性正則化防止崩潰

• 提出PANDA方法，實(shí)驗(yàn)結(jié)果超過當(dāng)時(shí)最新技術(shù)

COCA：深度對(duì)比單類時(shí)間序列異常檢測(cè)

標(biāo)題：Deep Contrastive One-Class Time Series Anomaly Detection

論文貢獻(xiàn)：

• 分析單一正常性假設(shè)和對(duì)比學(xué)習(xí)方法在時(shí)序異常檢測(cè)的限制

• 提出COCA方法，基于多個(gè)正常性假設(shè)

• COCA方法使用原始表示和重構(gòu)表示作為正樣本

• COCA方法使用不變項(xiàng)和方差項(xiàng)防止超球體坍縮

Uninformed Students：基于teacher-students的無(wú)監(jiān)督異常檢測(cè)

標(biāo)題：Uninformed Students：Student-Teacher Anomaly Detection with Discriminative Latent Embeddings

論文貢獻(xiàn)：

• 提出學(xué)生-教師框架進(jìn)行無(wú)監(jiān)督異常檢測(cè)和分割

• 學(xué)生網(wǎng)絡(luò)回歸教師網(wǎng)絡(luò)輸出

• 教師網(wǎng)絡(luò)使用自然圖像塊預(yù)訓(xùn)練

• 異常在學(xué)生網(wǎng)絡(luò)輸出與教師網(wǎng)絡(luò)輸出不同時(shí)檢測(cè)

• 學(xué)生網(wǎng)絡(luò)不確定性用于評(píng)分

用于多類異常檢測(cè)的統(tǒng)一模型（NeurIPS22 高分作）

標(biāo)題：A Unified Model for Multi-class Anomaly Detection

論文貢獻(xiàn)：

• 提出UniAD，它以一個(gè)統(tǒng)一框架完成了多個(gè)類別的異常檢測(cè)。

• 提出分層的查詢解碼器來幫助建立多類分布的模型。

• 采用鄰居屏蔽的注意力模塊，以進(jìn)一步避免從輸入特征到重構(gòu)輸出特征的信息泄漏。

• 提出一種特征抖動(dòng)策略，即使在有噪聲輸入的情況下也能敦促模型恢復(fù)正確的信息

其他經(jīng)典論文一覽：

• Anomaly detection: A survey

• Deep Learning for Anomaly Detection: A Survey

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

• DEEP ANOMALY DETECTION WITH OUTLIER EXPOSURE

• A Unifying Review of Deep and Shallow Anomaly Detection

• Real-world Anomaly Detection in Surveillance Videos

• GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training

• EFFICIENT GAN-BASED ANOMALY DETECTION ?

• An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos

• LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection

• A Comparative Evaluation of Unsupervised Anomaly Detection Algorithms for Multivariate Data

• Deep Structured Energy Based Models for Anomaly Detection

• CLASSIFICATION-BASED ANOMALY DETECTION FOR GENERAL DATA

• MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

• DEEP SEMI-SUPERVISED ANOMALY DETECTION

• Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

• Viral Pneumonia Screening on Chest X-rays Using Confidence-Aware Anomaly Detection

• Time-Series Anomaly Detection Service at Microsof

• Graph Convolutional Label Noise Cleaner: Train a Plug-and-play Action Classifier for Anomaly Detection

• Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications

• Adversarially Learned Anomaly Detection

• An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos

掃碼添加小享，回復(fù)“異常檢測(cè)”?

領(lǐng)取全部33篇必讀論文合集