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!

你可能感兴趣的:(人工智能干货,深度学习干货,机器学习,深度学习,人工智能,机器学习,异常检测)