.png){kind=icon}
返回
DNPR: Zero-shot industrial anomaly detection via dynamic normal prototype refinement
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131331.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 首个零样本IAD框架用于增量正常性学习。
• 逐步掩码配准处理平面旋转变化。
• 双记忆机制在优化原型的同时过滤异常值。
• 纹理感知校准抑制纹理区域的误报。
Keyword:
Zero-shot learning
Incremental normality learning
Anomaly detection
Prototype refinement
Texture-aware calibration
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
ClipSAM: CLIP and SAM collaboration for zero-shot anomaly segmentationClipSAM: CLIP和SAM协作实现零镜头异常分割.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏分享收藏
A lightweight YOLOv8-based model with Squeeze-and-Excitation Version 2 for crack detection of pipelines一种基于YOLOv8的轻量级模型，结合Squeeze-and-Excitation Version 2，用于管道裂缝检测
PREAI
分享收藏分享收藏SRAD: A spatially-aware reconstruction network with anomaly suppression for multi-class anomaly detectionSRAD：一种具有异常抑制功能的空间感知重建网络，用于多类异常检测NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏
查看更多内容