.png){kind=icon}
返回
Looking through the codebook: Generative anomaly segmentation with multi-contrastive learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132336.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的大多数语义分割模型基于判别式方法。这类模型往往无法检测分布外（OoD）对象，因为它们主要学习类别特定的决策边界，而没有显式建模底层数据分布，这导致对未见对象的过度自信误分类。相比之下，生成式模型旨在捕捉底层数据分布，从而实现更有效的异常检测。近期方法仍依赖判别式分割网络，并将生成模块仅用作辅助组件，这阻碍了它们利用生成式建模进行像素级似然估计和有效的OoD分离。在生成式模型中，基于码本的方法（如向量量化变分自编码器VQ-VAEs）将隐空间离散化为有限码向量集合，实现完全生成式建模，其中每个像素根据其学习隐分布下的似然进行建模。受此特性启发，我们提出一种纯粹的生成式异常分割方法，集成VQ-VAE、加权高得分策略和多重对比学习。通过将VQ-VAE的分割类别特定码向量视为分布内（ID）表示，我们引入码向量级top-准则。该准则基于每个像素的top-最近邻码向量及其关联得分进行评分，从而反映同一类别内的相对相似性。此外，我们采用基于码向量的多重对比学习策略，并结合特殊采样的空标签实现。此实现有效结构化了类别间的隐空间，并确保异常与ID码向量不重合。大量实验表明，所提方法能有效检测异常，并在单域和跨域场景中表现稳健。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
查看更多机构
引用论文
OA-Pose: Occlusion-aware monocular 6-DoF object pose estimation under geometry alignment for robot manipulationOa-pose: 机器人操纵的几何对齐下的遮挡感知单目6自由度物体姿态估计.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏CANet: Contextual Information and Spatial Attention Based Network for Detecting Small Defects in Manufacturing IndustryCANet: 基于上下文信息和空间注意力的制造业小缺陷检测网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
Deep learning-enhanced environment perception for autonomous driving: MDNet with CSP-DarkNet53PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏 没有更多内容