7篇异常检测最新论文解析（附20+篇高引经典）

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。

所以今天我挑选了异常检测最新的7篇高分论文以及20+篇经典高引论文，异常检测方向的同学速度收藏，下一篇的论文idea就在这里面了！

老规矩下载打包好了，看文末直接领取。

最新论文

[CVPR 2023]DeSTSeg：用于异常检测的分割引导的教师-学生降噪

标题：DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection

链接：https://arxiv.org/abs/2211.11317

论文贡献：

• 作者提出了一种去噪学生编码器-解码器，它经过训练，可以从具有异常输入的教师那里显式地生成不同的特征表示。

• 使用分割网络来自适应地融合多级特征相似性，以取代经验推理方法。

• 在基准数据集上进行了广泛的实验，以证明作者的方法对各种任务的有效性。

[CVPR 2023]EfficientAD:毫秒级延迟的准确视觉异常检测

标题：EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies

链接：https://arxiv.org/abs/2303.14535v1

论文贡献：

• 提出一种方法EfficientAD，用于图像异常检测

• 采用轻量级特征提取器和学生-教师方法

• 训练学生网络预测正常图像特征，并设计训练损失约束学生网络

• 采用自动编码器检测逻辑异常

• 在32个数据集上证明EfficientAD的有效性

• EfficientAD计算高效，可用于实际应用

[CVPR 2023]VAND工作室Challenge赛道1&2的零次/少次异常分类和分割方法:零次异常检测第一名和少次异常检测第四名

标题：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

链接：https://arxiv.org/abs/2305.17382

论文贡献：

• 介绍他们在VAND 2023 Challenge零次/少次竞赛中的解决方案

• 对于零次竞赛，基于CLIP模型添加线性层与文本特征比较生成异常图

• 对于少次竞赛，利用存储器银行存储参考图像特征与测试图像特征比较

• 在零次/少次竞赛中取得较好成绩

[ICASSP 2023]基于GAN的无监督机器音频异常检测

标题：Unsupervised Anomaly Detection and Localization of Machine Audio: A GAN-based Approach

链接：https://arxiv.org/abs/2303.17949

论文贡献：

• 提出一种新的异常定位方法AEGAN-AD，用于机器音频的无监督异常检测

• AEGAN-AD采用GAN，生成器重构输入谱图，判别器辅助生成器

• 在五种机器类型上证明AEGAN-AD的有效性

[CVPR 2023]WinCLIP:零次/少次异常分类和分割

标题：WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation

链接：https://arxiv.org/abs/2303.14814

论文贡献：

• 提出WinCLIP和WinCLIP+用于零次/少次数正常图像的异常分类和分割

• WinCLIP基于CLIP，使用状态词和提示模板的组合集合以及特征提取和聚合

• WinCLIP+使用正常图像的互补信息

• 在数据集上验证WinCLIP和WinCLIP+的有效性，超过当时现有方法

[CVPR 2023]SimpleNet:用于图像异常检测和定位的简单网络

标题：SimpleNet: A Simple Network for Image Anomaly Detection and Localization

链接：https://arxiv.org/abs/2303.15140

论文贡献：

• 提出SimpleNet用于检测和定位异常，SimpleNet具有较高的速度

• SimpleNet由四个组件组成：特征提取器、特征适配器、异常特征生成器和异常判别器

• SimpleNet基于三个直觉：特征转换降低领域偏差、特征空间生成异常更有效、简单判别器更高效

• 在数据集上验证SimpleNet的有效性，达到最佳性能

[CVPR 2023]使用预训练的深度骨骼特征的提示引导的零次异常动作识别

标题：Prompt-Guided Zero-Shot Anomaly Action Recognition using Pretrained Deep Skeleton Features

链接：https://arxiv.org/abs/2303.15167

论文贡献：

• 提出一种无监督异常动作识别方法

• 该方法解决目标域依赖的DNN训练、对骨骼误差的鲁棒性缺乏和正常样本缺乏三个限制

• 该方法使用目标域独立的特征提取器和特征分布建模

• 该方法使用点云深度学习DNN架构和用户提示相似度增加鲁棒性和补充正常样本

• 实验结果验证了该方法的有效性

经典论文

PANDA：调整预训练特征以进行异常检测和分割

标题：PANDA：Adapting Pretrained Features for Anomaly Detection and Segmentation

链接：https://arxiv.org/abs/2010.05903

论文贡献：

• 实证预训练特征和简单方法超过最新异常检测方法

• 提出将预训练特征调整为目标分布以提高性能

• 分析简单适应方法在单类别分类问题的崩溃，提出早停法变种和弹性正则化防止崩溃

• 提出PANDA方法，实验结果超过当时最新技术

COCA：深度对比单类时间序列异常检测

标题：Deep Contrastive One-Class Time Series Anomaly Detection

链接：https://arxiv.org/abs/2207.01472

论文贡献：

• 分析单一正常性假设和对比学习方法在时序异常检测的限制

• 提出COCA方法，基于多个正常性假设

• COCA方法使用原始表示和重构表示作为正样本

• COCA方法使用不变项和方差项防止超球体坍缩

Uninformed Students：基于teacher-students的无监督异常检测

标题：Uninformed Students：Student-Teacher Anomaly Detection with Discriminative Latent Embeddings

链接：https://arxiv.org/abs/1911.02357

论文贡献：

• 提出学生-教师框架进行无监督异常检测和分割

• 学生网络回归教师网络输出

• 教师网络使用自然图像块预训练

• 异常在学生网络输出与教师网络输出不同时检测

• 学生网络不确定性用于评分

用于多类异常检测的统一模型（NeurIPS22 高分作）

标题：A Unified Model for Multi-class Anomaly Detection

链接：https://arxiv.org/abs/2206.03687

论文贡献：

• 提出UniAD，它以一个统一框架完成了多个类别的异常检测。

• 提出分层的查询解码器来帮助建立多类分布的模型。

• 采用邻居屏蔽的注意力模块，以进一步避免从输入特征到重构输出特征的信息泄漏。

• 提出一种特征抖动策略，即使在有噪声输入的情况下也能敦促模型恢复正确的信息

其他经典论文一览：

• 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

关注下方《学姐带你玩AI》

回复“异常检测”获取全部论文PDF合集

码字不易，欢迎大家点赞评论收藏！