.png){kind=icon}
返回
Localize-diffusion based dual-branch anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107439.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于异常检测研究中真实异常样本的稀缺性，通常采用数据增强方法生成伪异常样本以补充有限的真实样本。然而，现有数据增强方法通常在随机区域生成具有固定形状的图像块作为异常。这些异常不真实且缺乏多样性，导致生成的样本实用价值有限。为解决此问题，我们提出了一种基于Localize-Diffusion (LD)增强的双分支异常检测（DBA）技术。LD能够根据样本的颜色分布推断待检测物体的近似位置和大小：这可有效避免在目标物体位置之外生成图像块的问题。LD随后结合硬增强，并持续将不规则图像块传播到周围区域，从而丰富了生成样本的多样性。基于异常的多尺度特性，DBA采用两个分支进行训练和异常检测，基于生成的伪异常样本：一个分支专注于从学习的异常中识别异常特定特征，另一个分支基于潜在空间中的残差特征区分正常样本和异常样本。最后，采用自适应评分模块计算两个分支结果的加权平均值，实现异常检测目标。广泛的实验分析表明，DBA仅使用14.2M参数即可实现优异的异常检测性能，在MVTec AD数据集上检测AUC显著达到99.6。
Keyword:
Anomaly detection
Data augmentation
Dual-branch module
Multi-scale anomalies
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
分享收藏Deep Architecture for High-Speed Railway Insulator Surface Defect Detection: Denoising Autoencoder With Multitask Learning高速铁路绝缘子表面缺陷检测的深度架构: 多任务学习去噪自编码器
PREAI
分享收藏Omni-Frequency Channel-Selection Representations for Unsupervised Anomaly Detection用于无监督异常检测的全频率通道选择表示
OAAI
OAAI分享收藏
查看更多内容