DAS3D: Dual-modality Anomaly Synthesis for 3D Anomaly Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Microsoft Research Asia（微软亚洲研究院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
本文提出DAS3D方法，通过双模态异常合成与判别式重建网络，结合增强丢弃机制，提升3D与RGB图像的异常检测精度和分割性能。
2025-06-04 cs.CV
Anomaly Detection in Video Sequences: A Benchmark and Computational Model
Jiangxi University of Finance and Economics（江西财经大学）
异常检测已经吸引了相当多的搜索关注。然而，现有的异常检测数据库遇到两个主要问题。首先，它们的规模有限。其次，训练集只包含视频级标签，指示在整个视频期间存在异常事件，而缺乏精确持续时间的注释。为了解决这些问题，我们贡献了一个新的大规模异常检测（LAD）数据库作为基准的视频序列中的异常检测，这是在两个方面的特点。1)它包含2000个视频序列，包括正常和异常视频片段，包含碰撞，火灾，暴力等14个异常类别，场景种类繁多，是迄今为止最大的异常分析数据库。2)它提供了注释数据，包括视频级标签（异常/正常视频，异常类型）和帧级标签（异常/正常视频帧），以促进异常检测。利用LAD数据库的上述优点，我们进一步将异常检测作为一个完全监督学习问题，并提出了一个多任务深度神经网络来解决它。我们首先通过使用膨胀3D卷积（I3 D）网络获得局部时空上下文特征。然后，我们构建了一个循环卷积神经网络喂局部时空上下文特征提取时空上下文特征。利用全局时空背景特征，可以通过多任务神经网络同时计算异常类型和评分。实验结果表明，该方法优于国家的最先进的异常检测方法在我们的数据库和其他公共数据库的异常检测。代码可在https://github.com/wanboyang/anomaly_detection_LAD2000上获得。
2021-06-16 cs.CV
Weakly Supervised Video Anomaly Detection via Center-guided Discriminative Learning
Jiangxi University of Finance and Economics（江西财经大学）
由于视频内容和时长的多样性，监控视频中的异常检测是一项具有挑战性的任务。在本文中，我们认为视频异常检测作为一个回归问题的异常分数的视频剪辑在弱监督。因此，我们提出了一个异常检测框架，称为异常回归网络（AR-Net），它只需要在训练阶段的视频级标签。此外，为了学习异常检测的判别特征，我们为所提出的AR网络设计了动态多实例学习损失和中心损失。前者用于扩大异常实例与正常实例之间的类间距离，后者用于缩小正常实例的类内距离。全面的实验是在一个具有挑战性的基准上进行的：上海理工大学。我们的方法产生了一个新的国家的最先进的结果，视频异常检测上海科技数据集
2021-04-15 cs.CV
DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer Information Science（计算机信息科学学院）
视觉表面异常检测旨在检测明显偏离正常外观的局部图像区域。最近的表面异常检测方法依赖于生成模型，以准确地重建正常区域和异常失败。这些方法仅在无异常的图像上训练，并且通常需要手工制作的后处理步骤来定位异常，这禁止优化特征提取以获得最大检测能力。除了重建的方法，我们铸造表面异常检测主要作为一个判别问题，并提出了一个判别训练重建异常嵌入模型（DRAEM）。该方法学习异常图像及其无异常重建的联合表示，同时学习正常和异常示例之间的决策边界。该方法能够直接异常定位，而不需要额外的复杂的后处理的网络输出，可以使用简单和一般的异常模拟训练。在具有挑战性的MVTec异常检测数据集上，DRAEM的性能大大优于当前最先进的无监督方法，甚至在广泛使用的DAGM表面缺陷检测数据集上提供接近全监督方法的检测性能，同时在定位精度方面大大优于它们。
2021-09-27 cs.CV
Anomaly Detection via Self-organizing Map
Xi'an Jiaotong University（西安交通大学）
异常检测在工业制造中对产品质量控制起着关键作用。传统的异常检测方法是基于规则的，泛化能力有限。最近基于监督深度学习的方法更强大，但需要大规模的注释数据集进行训练。在实践中，异常产品是罕见的，因此，它是非常困难的训练在一个完全监督的方式，一个深模型。本文提出了一种基于自组织映射（SOM）的无监督异常检测方法。我们的方法，自组织映射异常检测（SOMAD）保持正常的特性，使用基于多尺度特征的拓扑记忆。SOMAD在MVTec数据集上实现了无监督异常检测和定位的最新性能。
2021-07-21 cs.CV
Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection
Meijo University（名城大学）
异常检测是计算机视觉中的一个重要问题，然而，异常样本的稀缺性使得这项任务变得困难。因此，最近的异常检测方法仅使用没有异常区域的正常图像进行训练。在这项工作中，一个强大的异常检测方法，提出了基于学生-教师特征金字塔匹配（STPM），其中包括一个学生和教师网络。生成模型是异常检测的另一种方法。它们从输入重建法线图像，并计算预测法线与输入之间的差异。不幸的是，STPM没有生成正常图像的能力。为了提高STPM的准确性，这项工作使用了学生网络，在生成模型，重建正常功能。这提高了准确性;然而，正常图像的异常图并不干净，因为STPM不使用异常图像进行训练，这降低了图像级异常检测的准确性。为了进一步提高准确性，在我们的方法中使用了一个判别网络，该网络由两对学生-教师网络和一个判别网络组成。该方法在MVTec异常检测数据集上显示出较高的准确性。
2022-10-14 cs.CV
DSR -- A dual subspace re-projection network for surface anomaly detection
University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学学院）
判别式无监督表面异常检测的最新技术依赖于外部数据集来合成异常增强的训练图像。这种方法在近分布异常上容易失败，因为这些异常由于它们与无异常区域的相似性而难以现实地合成。我们提出了一个架构的基础上量化的特征空间表示与双解码器，DSR，避免了图像级异常合成的要求。在不对异常的视觉属性进行任何假设的情况下，DSR通过对学习的量化特征空间进行采样来生成特征级别的异常，这允许受控地生成接近分布的异常。DSR在KSDD 2和MVTec异常检测数据集上实现了最先进的结果。在具有挑战性的真实世界KSDD 2数据集上的实验表明，DSR显著优于其他无监督的表面异常检测方法，在异常检测方面提高了10%的AP，在异常定位方面提高了35%的AP。
2022-11-23 cs.CV
Anomaly Crossing: New Horizons for Video Anomaly Detection as Cross-domain Few-shot Learning
Corning Inc.（康宁公司）；University of Rochester（罗切斯特大学）
视频异常检测的目的是识别视频中发生的异常事件。由于异常事件相对罕见，因此收集平衡数据集并训练二元分类器来解决任务是不可行的。因此，大多数以前的方法只使用无监督或半监督方法从正常视频中学习。显然，它们在捕获和利用有区别的异常特征方面受到限制，这导致异常检测性能受损。在本文中，为了解决这个问题，我们提出了一个新的学习范式，充分利用正常和异常的视频视频异常检测。特别是，我们制定了一个新的学习任务：跨域的Few-Shot异常检测，它可以转移从源域中的大量视频中学习到的知识，以帮助解决目标域中的Few-Shot异常检测。具体地说，我们利用目标正常视频的自我监督训练，以减少域差距，并设计了一个Meta上下文感知模块，探索视频上下文的事件在Few-Shot设置。我们的实验表明，我们的方法在DoTA和UCF-Crime数据集上的性能明显优于基线方法，新任务有助于为异常检测提供更实用的训练范例。
2022-11-23 cs.CV
Anomaly Detection Based on Deep Learning Using Video for Prevention of Industrial Accidents
The Course of Precision Engineering, School of Science and Engineering, Chuo University（中央大学理工学部精密工学科）；Chuo University（中央大学）；Prima Meat Packers, Ltd.（プリマハム株式会社（普瑞玛肉制品包装有限公司））
提出了一种利用机器学习技术进行工业事故预防的异常检测方法。
2020-05-28 cs.CV
Deep-Anomaly: Fully Convolutional Neural Network for Fast Anomaly Detection in Crowded Scenes
Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））；Di Hub；Iran University of Science and Technology（伊朗科技大学）；Auckland University of Technology（奥克兰理工大学）
在拥挤的场景中检测异常行为必须应对许多挑战。提出了一种有效的视频异常检测和定位方法。使用完全卷积神经网络（FCN）和时间数据，将预训练的监督FCN转换为非监督FCN，以确保检测场景中的（全局）异常。高性能的速度和准确性方面实现了通过调查级联检测作为一个结果，降低计算复杂度。这种基于FCN的架构解决了两个主要任务，特征表示和级联离群值检测。两个基准测试的实验结果表明，该方法的检测和定位的准确性优于现有的方法。
2017-04-30 cs.CV
AGAD: Adversarial Generative Anomaly Detection
NEC Laboratories China（NEC中国研究院）
提出AGAD，一种基于自对比的异常检测范式，通过从正常样本生成上下文对抗信息来生成伪异常数据，在监督和半监督场景下显著提升检测性能，且仅需不超过5%的异常训练数据。
2023-04-09 cs.CV cs.LG
OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning
Monash University（莫纳什大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61）；University of Melbourne（墨尔本大学）
异常检测的目的是识别样本的异常和不寻常的模式相对于一组正常的数据。这对于许多领域的应用是重要的，例如工业检测、医学成像和安全执行。现有的异常检测方法存在两个关键的研究挑战：（1）许多方法在低维问题上表现良好，但在高维问题（如图像）上的性能有限;（2）许多方法通常依赖于传统的监督方法和特征的手动工程，而使用现代深度学习方法尚未充分探索该主题，即使在井标记样本有限的情况下。在本文中，我们提出了一个一对所有的图像异常检测系统（OIAD）的基础上解开学习使用干净的样本。我们的关键见解是，小扰动对潜在表示的影响可以为正常样本的范围，而异常图像通常在这样的有界区间之外，称为结构一致性。我们实现了这个想法，并评估其性能异常检测。我们对三个数据集的实验表明，OIAD可以检测到超过$90\%$的异常，同时保持较低的误报率。它还可以从标记为干净的样本中检测出可疑样本，这与人类认为不寻常的情况相吻合。
2020-03-26 cs.CV cs.DB cs.LG
Anomaly Detection Requires Better Representations
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
异常检测旨在识别异常现象，这是科学和工业的中心任务。该任务本质上是无监督的，因为异常在训练期间是意外和未知的。自监督表示学习的最新进展直接推动了异常检测的改进。在这篇立场论文中，我们首先解释了自我监督表示如何在常见的异常检测基准测试中轻松实现最先进的性能。然后，我们认为，解决下一代的异常检测任务需要新的技术和概念的改进表示学习。
2022-10-19 cs.CV cs.LG
Sub-Image Anomaly Detection with Deep Pyramid Correspondences
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
利用深度预训练特征的最近邻（kNN）方法在应用于整个图像时表现出非常强的异常检测性能。kNN方法的局限性是缺乏描述异常位于图像内的位置的分割图。在这项工作中，我们提出了一种新的异常分割方法的基础上对齐的异常图像和一个常数数量的相似的正常图像。我们的方法，语义金字塔异常检测（SPADE）使用基于多分辨率特征金字塔的对应关系。SPADE是实现国家的最先进的无监督的异常检测和定位的性能，而几乎不需要训练时间。
2021-02-03 cs.CV cs.LG
Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection
提出模块化框架AF3AD，通过局部PCA框架中的参数化变形模型合成多样化伪异常，增强无监督3D异常检测训练数据，在多个数据集上提升检测与定位性能。
2026-06-28 cs.AI cs.CV
Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文指出异常检测主流范式因“没有免费午餐”原理存在根本局限，提出科学发现与ImageNet最异常图像检测两项重大挑战，呼吁开发新工具与思路以突破限制。
2023-07-20 cs.CV cs.LG
Adversarial Machine Learning Attacks Against Video Anomaly Detection Systems
University of South Florida（南佛罗里达大学）
视频中的异常检测是包括自动视频监控在内的各种应用中的重要计算机视觉问题。虽然对图像理解模型的对抗攻击已经进行了大量的研究，但针对视频理解模型的对抗性机器学习的工作并不多，并且没有以前的工作专注于视频异常检测。为此，我们研究了一种对抗性的机器学习攻击视频异常检测系统，可以通过一个易于执行的网络攻击来实现。由于监控摄像机通常通过无线网络连接到运行异常检测模型的服务器，因此它们容易受到针对无线连接的网络攻击。我们演示了如何Wi-Fi去认证攻击，一个众所周知的易于执行和有效的拒绝服务（DoS）攻击，可以用来生成视频异常检测系统的对抗数据。具体来说，我们将Wi-Fi取消认证攻击对视频质量造成的几种影响（例如，慢下来，冻结，快进，低分辨率）到流行的基准数据集的视频异常检测。我们的实验与几个国家的最先进的异常检测模型表明，攻击者可以显着破坏视频异常检测系统的可靠性，造成频繁的误报和隐藏的物理异常从监控系统。
2022-04-07 cs.AI cs.CV
Multimedia Datasets for Anomaly Detection: A Review
Indian Institute of Technology Ropar（印度理工学院罗巴尔分校）
多媒体异常数据集在自动监控中起着至关重要的作用。它们具有广泛的应用范围，从异常对象/情况检测扩展到危及生命的事件检测。1.5多年来，这一领域吸引了大量的研究关注，因此，越来越多的致力于异常行为和目标检测的数据集被开发出来。利用这些公共异常数据集，研究人员可以使用相同的输入数据生成和比较各种异常检测框架。本文提出了一个全面的调查各种视频，音频，以及视听数据集的基础上的异常检测的应用。该调查旨在解决缺乏基于异常检测的多媒体公共数据集的全面比较和分析的问题。此外，它还可以帮助研究人员为基准框架选择最佳可用数据集。此外，我们还讨论了现有数据集的差距，以及对开发多模态异常检测数据集的未来方向的见解。
2022-04-04 cs.CV cs.MM
A Study of Representational Properties of Unsupervised Anomaly Detection in Brain MRI
Indian Institute of Technology, Madras（马德拉斯印度理工学院）；Healthcare Technology Innovation Centre, IIT Madras（印度理工学院马德拉斯分校医疗技术创新中心）
MRI异常检测在成像和诊断方面具有很高的临床价值。用于异常检测的无监督方法提供了基于重构或潜在嵌入的有趣公式，提供了一种观察与因子分解相关的属性的方法。我们研究了四种现有的建模方法，并使用简单的数据科学工具报告了我们的经验观察结果，从因子分解的角度寻求结果，因为它与无监督异常检测任务最相关，考虑到大脑结构MRI的情况。我们的研究表明，异常检测算法，表现出因式分解相关的属性是很好的能力与划定能力，以区分正常和异常数据。我们已经在多个异常和正常数据集中验证了我们的观察结果。
2022-11-28 cs.CV eess.IV
Anomalib: A Deep Learning Library for Anomaly Detection
Intel（英特尔）
本文介绍了anomalib，一个新的库，用于无监督的异常检测和定位。考虑到可重复性和模块化，这个开源库提供了文献中的算法和一套工具，通过即插即用的方法设计自定义异常检测算法。Anomalib包括最先进的异常检测算法，在基准测试中达到最高性能，并且可以现成使用。此外，该库还提供了用于设计定制算法的组件，这些算法可以针对特定需求进行定制。其他工具，包括实验跟踪器，可视化器和超参数优化器，使设计和实现异常检测模型变得简单。该库还支持OpenVINO模型优化和量化，以实现实时部署。总的来说，anomalib是一个广泛的库，用于设计、实现和部署从数据到边缘的无监督异常检测模型。
2022-02-16 cs.CV cs.LG
Understanding the Challenges and Opportunities of Pose-based Anomaly Detection
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
基于姿态的异常检测是一种视频分析技术，用于通过检查从视频帧中提取的人体姿态来检测异常事件或行为。使用姿势数据会引发隐私和道德问题。此外，在计算方面，基于姿势的模型的复杂性低于基于像素的方法。然而，它引入了更多的挑战，如噪声骨架数据，丢失重要的像素信息，并没有丰富足够的功能。这些问题由于缺乏足够好地代表真实世界场景的异常检测数据集而加剧。在这项工作中，我们分析和量化两个著名的视频异常数据集的特征，以更好地了解基于姿势的异常检测的困难。我们向前迈出了一步，探索视频异常检测的姿势和轨迹的鉴别能力及其基于上下文的有效性。我们相信这些实验对于更好地理解基于姿势的异常检测和当前可用的数据集是有益的。这将有助于研究人员以更清晰的视角处理异常检测任务，加速开发性能更好的鲁棒模型。
2023-03-09 cs.AI cs.CV
Red PANDA: Disambiguating Anomaly Detection by Removing Nuisance Factors
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
异常检测方法努力发现在语义上与规范不同的模式。这个目标是模糊的，因为数据点与规范的属性不同，例如，年龄、种族或性别可能被一些操作者认为是异常的，而其他操作者可能认为该属性无关紧要。打破以往的研究，我们提出了一种新的异常检测方法，允许运营商排除被认为是相关的异常检测的属性。然后，我们的方法学习表示不包含信息的滋扰属性。使用基于密度的方法进行异常评分。重要的是，我们的方法不需要指定与检测异常相关的属性，这在异常检测中通常是不可能的，而只需要忽略属性。一个实证调查验证我们的方法的有效性。
2022-07-07 cs.CV cs.LG
Self-Supervised Representation Learning for Visual Anomaly Detection
KAIST（韩国科学技术院）
自监督学习允许更好地利用未标记的数据。通过自监督获得的特征表示可以用于下游任务，例如分类、目标检测、分割和异常检测。虽然分类，目标检测和分割已经研究了自监督学习，异常检测需要更多的关注。研究了图像和视频中的异常检测问题，提出了一种新的视频视觉异常检测技术。许多开创性的和国家的最先进的自我监督的方法进行评估，对各种图像数据集的异常检测。最好的基于图像的自我监督表示学习方法，然后用于视频异常检测，看到视频中的视觉异常检测的空间特征的重要性。我们还提出了一个简单的自我监督的方法来学习跨视频帧的时间相干性，而不使用任何光流信息。在其核心，我们的方法确定的混乱的视频序列的帧索引，使其能够学习的时空特征的视频。与UCF 101和ILSVRC 2015视频数据集上的图像和视频的许多方法相比，这种直观的方法显示了视觉异常检测的优越性能。
2020-06-17 cs.CV cs.LG eess.IV
Deep Learning Based Traffic Surveillance System For Missing and Suspicious Car Detection
National Institute of Technology, Warangal（瓦朗加尔国家理工学院）
汽车盗窃可以说是印度增长最快的犯罪类型之一。在一些市区，据信每天约有100起汽车盗窃案件。在这种不稳定的情况下，使用传统的方法如人工检查和基于射频识别（RFID）的技术来识别被盗车辆是不可能的。本文提出了一种基于深度学习的自动交通监控系统，用于从闭路电视（CCTV）摄像头镜头中检测被盗/可疑车辆。它主要由四个部分组成：选择探测器、图像质量增强器、图像Transformer和智能识别器。选择检测器用于提取包含车辆的帧，并以最小的时间复杂度有效地检测车牌。然后使用图像质量增强器来增强车牌的质量，该图像质量增强器使用pix 2 pix生成对抗网络（GAN）来增强受时间变化（如低光，阴影，采用图像变换器Transformer来解决非水平车牌识别效率低的问题通过将牌照变换为不同级别的旋转和裁剪，可以实现对车辆牌照（其处于一个角度）的旋转和裁剪。Smart Recognizer使用Tesseract光学字符识别（OCR）识别车牌号码，并使用错误检测器纠正错误识别的字符。该方法的有效性在政府的闭路电视摄像机镜头上进行了测试，结果识别被盗/可疑车辆的准确率为87%。
2020-07-17 cs.CV
Zoom-in-Net: Deep Mining Lesions for Diabetic Retinopathy Detection
The Chinese University of Hong Kong（香港中文大学）；Tsing Hua University（清华大学）；SenseTime Group Limited（商汤集团有限公司）；Sir Run Run Shaw Hospital（邵逸夫医院）
我们提出了一个卷积神经网络为基础的算法，同时诊断糖尿病视网膜病变和突出可疑区域。我们的贡献有两个方面：1）一个称为Zoom-in-Net的网络，它模拟了临床医生检查视网膜图像的放大过程。Zoomin-Net仅使用图像级监督进行训练，可以生成突出可疑区域的注意力地图，并根据整个图像及其高分辨率可疑补丁准确预测疾病水平。2)仅从自动学习的注意力地图生成的四个边界框就足以覆盖由有经验的眼科医生标记的80%的病变，这表明注意力地图具有良好的定位能力。通过对注意力地图上高响应位置的特征进行聚类，我们发现了包含糖尿病视网膜病变潜在病变的有意义的聚类。实验表明，我们的算法优于国家的最先进的方法在两个数据集，EyePACS和Messidor。
2017-06-14 cs.CV
Flying Bird Object Detection Algorithm in Surveillance Video Based on Motion Information
School of Information Science and Technology, Southwest JiaoTong University（西南交通大学信息科学与技术学院）；Qianghua Times (Chengdu) Technology Co., Ltd.（强华时代（成都）科技有限公司）
针对监控视频中飞鸟目标特征不明显且尺寸小的问题，提出基于运动信息的检测算法FBOD-BMI，通过ConvLSTM-PAN模型提取时空特征并定位可疑目标，结合自适应时空立方体和轻量级U型网络LW-USN抑制误检，有效实现飞鸟目标检测。
2023-08-26 cs.CV
Suspicious Behavior Detection on Shoplifting Cases for Crime Prevention by Using 3D Convolutional Neural Networks
ITESM（墨西哥蒙特雷科技大学）；Tec（Tec大学）
犯罪造成重大的人员和经济损失。每年都有数十亿美元因攻击、犯罪和诈骗而损失。监控摄像机网络产生大量的数据，监控人员无法实时处理所有信息。人类的视觉有其局限性，在处理监视时，视觉焦点是最关键的。犯罪可能发生在不同的屏幕片段或不同的监视器上，工作人员可能不会注意到它。我们的建议通过分析普通人认为是典型条件但可能导致犯罪的特殊情况来关注商店盗窃犯罪。虽然其他方法可以识别犯罪本身，但我们可以通过检测视频的精确片段来模拟可疑行为-可能发生在一个人犯罪之前的行为-具有很高的可能性包含入店行窃犯罪。通过这样做，我们为员工提供了更多的行动和预防犯罪的机会。我们实现了一个3DCNN模型作为视频特征提取器，并在由日常行为和商店行窃样本组成的数据集上测试了其性能。结果令人鼓舞，因为它正确识别了75%的犯罪即将发生的案件。
2020-04-30 cs.CV cs.LG
Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review
School of Electrical Engineering and Computer Science, University of Queensland（昆士兰大学电气工程与计算机科学学院）；Frazer Institute, The University of Queensland（昆士兰大学弗雷泽研究所）；Centre for Health Services Research, Faculty of Medicine, The University of Queensland（昆士兰大学医学院健康服务研究中心）
本文综述了机器学习与深度学习在黑色素瘤检测中的应用，重点介绍了“丑小鸭”痣识别方法，并对比了卷积神经网络等技术与皮肤科医生的诊断表现，强调早期检测的重要性。
2023-09-05 cs.CV eess.IV
Learning Trustworthy Model from Noisy Labels based on Rough Set for Surface Defect Detection
在表面缺陷检测中，存在一些不能唯一地分类为异常或正常的可疑区域。对可疑区域的标注容易受到工人情绪波动、判断标准等因素的影响，产生噪声标签，进而导致漏检、误检，最终导致对产品质量的判断不一致。与通常的噪声标签不同，用于表面缺陷检测的标签似乎是不一致的，而不是错误的标签。噪声几乎出现在每个标签中，并且难以校正或评估。在本文中，我们提出了一个框架，学习值得信赖的模型从噪声标签的表面缺陷检测。首先，为了避免噪声标签对模型的负面影响，我们在像素级用一致和精确的元素表示可疑区域，并重新设计了损失函数。其次，在不改变网络结构和增加额外标签的情况下，提出了可插入的空间相关贝叶斯模型。最后，提出了缺陷判别置信度来度量不确定性，利用该置信度可以将异常识别为缺陷。我们的实验结果表明，该方法不仅在学习噪声标签的有效性，但鲁棒性和实时性能。
2023-01-25 cs.CV eess.IV
Detection of Fights in Videos: A Comparison Study of Anomaly Detection and Action Recognition
Jovision-Deepcam Research Institute（中维世纪-深眸研究院）
打斗检测是视频监控中的一个重要应用。大多数现有的方法使用监督的二进制动作识别。由于帧级注释很难得到异常检测，使用多实例学习的弱监督学习被广泛使用。本文探讨了视频中的战斗检测作为一种特殊类型的异常检测和二元动作识别。我们使用UBI-Fight和NTU-CCTV-Fight数据集进行大部分研究，因为它们具有帧级注释。我们发现，异常检测有类似的，甚至更好的性能比动作识别。此外，我们研究使用异常检测作为一个工具箱，以迭代的方式产生的异常检测的性能条件下的动作识别的训练数据集。实验结果表明，我们在三个战斗检测数据集上实现了最先进的性能。
2022-05-23 cs.CV
History-based Anomaly Detector: an Adversarial Approach to Anomaly Detection
École normale supérieure Paris-Saclay（巴黎萨克雷高等师范学院）；Universitat Pompeu Fabra（庞培法布拉大学）
异常检测在许多领域都是一个难题，近年来受到了广泛的关注。将看不见的数据分类为异常是一个具有挑战性的问题。最新提出的方法依赖于生成对抗网络（GANs）来估计正常数据分布，并为任何给定数据生成异常分数预测。在这篇文章中，我们提出了一种简单但新的对抗方法来解决这个问题，称为基于历史的异常检测器（HistoryAD）。它由一个自监督模型组成，通过将它们与基于先前训练的GAN的训练历史的样本进行比较来训练以识别“正常”样本。定量和定性的结果评价其性能。我们还比较了几种最先进的异常检测方法，表明我们的建议在几个数据集上获得了顶级结果。
2020-03-14 cs.CV
AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection
Singapore Management University（新加坡国立管理学院）；Sun Yat-sen University（中山大学）
提出一种基于多模态大语言模型的无训练智能体框架AnomalyAgent，通过定制工具集和记忆模块实现零样本/少样本异常检测，在逻辑/上下文异常等复杂场景中优于现有方法。
2026-05-28 cs.CV
Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation
Sogang University（西江大学）
异常检测是识别输入样本是否包括在目标正常类或异常类的分布中的任务。传统的基于生成对抗网络（GAN）的方法利用包括前景和背景的整个图像作为输入。然而，在这些方法中，与正常类无关的无用区域（例如，不相关的背景）被学习为正态类分布，从而导致错误检测。为了缓解这个问题，本文提出了一种新的两阶段网络，包括一个注意力网络和异常检测GAN（AD GAN）。注意力网络生成可以指示表示正态类分布的区域的注意力图。为了生成准确的注意力地图，我们提出了基于硬增强生成的合成异常样本的注意力损失和对抗性异常损失。通过将注意力图应用于图像特征图，ADGAN学习从中去除无用区域的正态类分布，并且可以大大降低异常检测任务的问题难度。此外，估计的注意力图可以用于异常分割，因为它可以区分正常和异常区域。因此，所提出的方法优于国家的最先进的异常检测和异常分割方法广泛使用的数据集。
2021-03-31 cs.CV
Temporal Fusion Based Mutli-scale Semantic Segmentation for Detecting Concealed Baggage Threats
Khalifa University of Science and Technology（哈利法科学技术大学）
检测行李中的非法和威胁物品是当今最重要的安全问题之一。即使对于经验丰富的安全人员来说，手动检测也是一项耗时且压力大的任务。许多学者已经创建了自动化框架，用于从行李的X射线扫描中检测可疑和违禁品数据。然而，据我们所知，没有框架存在，利用时间行李X射线图像，以有效地屏幕高度隐藏和遮挡的对象，几乎是肉眼可见的。为了解决这个问题，我们提出了一种新型的时间融合驱动的多尺度残差式编码器-解码器，它以一系列连续扫描作为输入，并将它们融合以生成可疑和非可疑行李内容的不同特征表示，从而实现更准确的提取违禁品数据。所提出的方法已经使用公开访问的GDXray数据集进行了彻底的测试，GDXray数据集是唯一包含时间关联的灰度X射线扫描的数据集，展示了极其隐蔽的违禁品数据。所提出的框架在GDXray数据集的各种指标上优于其竞争对手。
2021-11-07 cs.CV eess.IV
EditTrack: Detecting and Attributing AI-assisted Image Editing
Duke University（杜克大学）
针对现有AI图像检测方法无法判定图像是否由特定基础图编辑而来的问题，提出首个图像编辑检测归因框架EditTrack，通过重编辑策略与相似性度量实现精准检测归因，在多数据集多模型上显著优于基线。
2025-10-01 cs.AI cs.CR cs.CV
Graph-Jigsaw Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出轻量级框架GiCiSAD，通过图注意力预测、图级拼图生成和图条件扩散三个模块，在减少训练参数的同时提升骨架视频异常检测性能，成为新的最先进方法。
2024-08-31 cs.AI cs.CV
Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
The Pennsylvania State University（宾夕法尼亚州立大学）
针对扩散净化会削弱异常信号的问题，提出 AdvRAD，让扩散模型同时承担异常检测与对抗净化，并支持 l2 扰动认证鲁棒性。
2024-08-09 cs.CV cs.LG
Diffusion Models for Medical Anomaly Detection
University of Basel（巴塞尔大学）
在医学应用中，弱监督异常检测方法受到极大关注，因为仅需要图像级注释进行训练。目前的异常检测方法主要依赖于生成式对抗网络或自动编码器模型。这些模型通常是复杂的训练或有困难，以保持图像中的细节。提出了一种新的基于去噪扩散隐式模型的弱监督异常检测方法。我们将确定性迭代噪声和去噪方案与分类器指导相结合，用于患病和健康受试者之间的图像到图像的转换。我们的方法生成非常详细的异常图，而不需要复杂的训练过程。我们在用于脑肿瘤检测的BRATS 2020数据集和用于检测胸腔积液的CheXpert数据集上评估了我们的方法。
2022-10-05 cs.CV eess.IV
Benchmarking Suite for Synthetic Aperture Radar Imagery Anomaly Detection (SARIAD) Algorithms
Texas A&M University（德克萨斯农工大学）
针对SAR图像异常检测缺乏开发和基准测试方法的问题，该研究引入SARIAD基准测试套件，结合Anomalib库提供算法、数据集、指标及可视化功能，支持SAR图像异常检测方法的开发与评估。
2025-04-10 cs.AI cs.CV cs.LG
