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
Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection
该研究提出判别式掩码引导扩散（DMD）框架，结合自监督分类的重构-偏移判别与残差定位，在五种医学影像数据集上实现了最优的无监督医学异常检测性能。
2026-08-04 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
ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection
University of Moratuwa（莫拉图瓦大学）
ShiftSplit-AD通过分解DINOv2残差分离域偏移与缺陷，在AeBAD-S上提升了图像AUROC和AUPRC，但存在缺陷结构保留的权衡问题。
2026-08-31 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
Unsupervised Two-Stage Anomaly Detection
Beihang University（北京航空航天大学）
从单个图像中进行异常检测具有挑战性，因为异常数据总是罕见的，并且可能具有高度不可预测的类型。在只有无异常数据可用的情况下，大多数现有方法训练AutoEncoder来重建输入图像并找到输入和输出之间的差异以识别异常区域。然而，这样的方法面临一个潜在的问题-粗重建产生额外的图像差异，而高保真的一个可能会画在异常。在本文中，我们解决了这个矛盾，提出了一个两阶段的方法，它产生高保真但无异常重建。我们的无监督两阶段异常检测（UNOMIC）依赖于两个技术组件，即印象提取器（IE-Net）和专家网络。IE-Net和Expert-Net完成了两阶段无异常图像重建任务，同时还生成直观的中间结果，使整个UBER具有可解释性。大量的实验表明，我们的方法优于国家的最先进的四个异常检测数据集与不同类型的真实世界的对象和纹理。
2021-03-22 cs.CV
Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly Segmentation
MinesParis, PSL University, Centre for mathematical morphology (CMM)（巴黎高等矿业学院，PSL大学，数学形态学中心）
本文针对全卷积数据描述（FCDD）的损失函数进行改进，提出更接近超球面分类器（HSC）的替代损失函数，并在 MVTec-AD 数据集上验证了像素级监督设计能带来一致的异常分割性能提升。
2023-12-02 cs.CV
Anomaly Detection using Edge Computing in Video Surveillance System: Review
Indian Institute of Information Technology, Nagpur（那格浦尔印度信息技术学院）
当前的智慧城市概念影响着城市规划者和研究人员提供现代化、安全和可持续的基础设施，并为居民提供体面的生活质量。为了满足这一需求，已经部署了视频监控摄像头，以提高公民的安全和福祉。尽管现代科学的技术发展，监控视频系统中的异常事件检测是具有挑战性的，需要穷尽人力。在本文中，我们调查了智能视频监控中检测异常的各种方法。首先，我们回顾了过去十年关于异常检测的调查。然后，我们提出了一个系统的分类方法，以便于理解。考虑到异常依赖于上下文的概念，我们在异常检测中识别不同的感兴趣对象和公开可用的数据集。由于异常检测被认为是计算机视觉的一个时间关键的应用，我们的重点是使用边缘设备和方法明确为他们设计的异常检测。此外，我们还讨论了边缘异常检测所面临的挑战和机遇。
2021-08-07 cs.CV
A comparison of classical and variational autoencoders for anomaly detection
IDSIA（IDSIA（瑞士人工智能研究所））；USI-SUPSI（USI-SUPSI（瑞士意大利语区大学-南方应用科技大学））
本文分析和比较了一个经典的和变分自编码器的异常检测的背景下。为了更好地理解它们的架构和功能，描述它们的属性并比较它们的性能，它探讨了它们如何解决一个简单的问题：重建一条带斜率的线。
2020-09-29 cs.CV
Evaluation of Point Pattern Features for Anomaly Detection of Defect within Random Finite Set Framework
RMIT University（皇家墨尔本理工大学）
制造业的缺陷检测对于产品质量检测至关重要。最近，已经使用不同的深度学习方法将光学缺陷检测作为异常检测来研究。然而，最近的工作没有探索使用点模式的功能，如SIFT异常检测使用最近开发的基于集合的方法。在本文中，我们提出了一个评估不同的点模式特征检测器和描述符的缺陷检测应用。在随机有限集框架内进行评估。手工制作的点模式功能，如SIFT以及深度功能用于此评估。基于随机有限集的缺陷检测与国家的最先进的异常检测方法进行了比较。结果表明，使用点模式特征，如SIFT作为基于随机有限集的异常检测的数据点，在MVTec-AD数据集上实现了最一致的缺陷检测精度。
2021-02-03 cs.CV
Visual Anomaly Detection for Images: A Survey
University of Chinese Academy of Sciences（中国科学院大学）
视觉异常检测是机器学习和计算机视觉领域的一个重要而又具有挑战性的问题。这个问题已经引起了相关研究界的相当大的关注。特别是近年来，深度学习的发展引发了人们对视觉异常检测问题的兴趣，并带来了各种新颖的方法。在本文中，我们对文献中用于视觉异常检测的经典方法和基于深度学习的方法进行了全面的调查。我们根据相关方法的基本原理对它们进行了分组，并仔细讨论了它们的假设、优点和缺点。我们的目的是帮助研究人员了解视觉异常检测方法的共同原则，并确定在这一领域有前途的研究方向。
2021-09-27 cs.CV
Image anomaly detection with capsule networks and imbalanced datasets
University of Udine（乌迪内大学）
图像异常检测是指在一组正常数据中发现具有异常、不寻常模式的图像。异常检测可以应用于多个领域，并且具有许多实际应用，例如在工业检测、医学成像、安全执法等中。然而，异常检测技术通常仍然依赖于传统的方法，如单类支持向量机，而该主题尚未在现代深度学习方法的背景下得到充分发展。在本文中，我们提出了一个基于胶囊网络的图像异常检测系统的假设下，异常数据可用于训练，但他们的数量是稀缺的。
2019-09-06 cs.CV
A Critical Study on the Recent Deep Learning Based Semi-Supervised Video Anomaly Detection Methods
Laval University（拉瓦尔大学）
视频异常检测是当前计算机视觉的研究热点之一，因为异常事件包含大量的信息。异常是监控系统的主要检测目标之一，通常需要实时处理。关于用于训练的标记数据的可用性（即，对于异常没有足够的标记数据），半监督异常检测方法最近受到关注。本文向该领域的研究人员介绍了一个新的视角，并回顾了最近基于深度学习的半监督视频异常检测方法，基于他们用于异常检测的常见策略。我们的目标是帮助研究人员开发更有效的视频异常检测方法。由于选择正确的深度神经网络在这项任务的几个部分中起着重要作用，因此首先准备对DNN进行快速比较。与以前的调查不同，DNN是从时空特征提取的角度进行审查的，为视频异常检测定制。这部分综述可以帮助该领域的研究人员为他们的方法的不同部分选择合适的网络。此外，一些国家的最先进的异常检测方法，基于他们的检测策略，进行了批判性的调查。该评论提供了一个新的和深入的研究现有的方法和结果，说明这些方法的缺点，这可以是一个提示，为未来的工作。
2021-11-02 cs.CV
Cross Pseudo Labeling For Weakly Supervised Video Anomaly Detection
本文提出CPL-VAD框架，通过跨伪标签实现视频异常检测与类别分类的双重提升，实验表明其在异常检测和类别识别上达到最优性能。
2026-03-13 cs.CV
Client-Specific Anomaly Detection for Face Presentation Attack Detection
University of Surrey（萨里大学）
以前已经发现一类异常检测方法在面部呈现攻击检测中是有效的，特别是在系统暴露于新型攻击的\textit{unseen}攻击场景中。这项工作遵循相同的异常为基础的制定的问题，并分析了部署\textit{client-specific}信息的优点，人脸欺骗检测。我们建议使用从预训练的深度卷积神经网络获得的表示来训练一类客户端特定的分类器（生成式和判别式）。接下来，基于特定于主题的分数分布，为每个客户端设置不同的阈值，然后将其用于关于测试查询的决策。通过广泛的实验，使用不同的一类系统，它表明，使用客户端特定的信息在一类异常检测制定（无论是在模型构建以及决策阈值调整），显着提高了性能。此外，还证明了用于识别目的的同一组深度卷积特征对于特定于类的一类异常检测范例中的面部呈现攻击检测是有效的。
2018-07-02 cs.CV
AAD: Adaptive Anomaly Detection through traffic surveillance videos
通过视频分析的异常检测对于检测交通路口的任何异常车辆/人行为具有重要意义。虽然大多数现有的作品使用神经网络和传统的机器学习方法的基础上提供的数据集，我们将使用对象识别（更快的R-CNN），以确定对象的标签和它们在视频场景中的相应位置作为第一步，以实现异常检测。然后，将利用光流来识别帧的每个区域中的自适应业务流。基本上，我们提出了一种替代方法，使用自适应异常检测框架进行异常活动检测。与参考文献中描述的基线方法相比，我们的方法是更有效的，并产生相当的精度。
2018-08-29 cs.CV
Multi-View Industrial Anomaly Detection with Epipolar Constrained Cross-View Fusion
National University of Singapore（新加坡国立大学）
针对多相机工业异常检测中跨视图几何信息利用不足的问题，提出极线几何约束注意力融合模块及多视图感知负样本预训练策略，在先进基准上取得优于现有方法的性能。
2025-03-14 cs.CV
2nd Place Winning Solution for the CVPR2023 Visual Anomaly and Novelty Detection Challenge: Multimodal Prompting for Data-centric Anomaly Detection
Huazhong University of Science and Technology（华中科技大学）
针对 CVPR2023 VAND 挑战赛，提出 SAA$+$ 框架，利用多模态提示正则化基础模型，实现零样本异常分割，在 VisA 和 MVTec-AD 基准上达到最先进性能。
2023-09-05 cs.CV
Leveraging Trajectory Prediction for Pedestrian Video Anomaly Detection
University of Michigan（密歇根大学）
视频异常检测是视觉领域的一个核心问题。从视频数据中正确检测和识别行人的异常行为将使安全关键型应用成为可能，如监控、活动监控和人机交互。在本文中，我们建议利用轨迹定位和预测的无监督行人异常事件检测。不同于以前的基于重建的方法，我们提出的框架依赖于正常和异常行人轨迹的预测误差来检测空间和时间上的异常。我们在不同时间尺度的真实世界基准数据集上进行了实验，结果表明，我们提出的基于概率预测的异常检测管道在识别视频中行人的异常活动方面是有效和高效的。代码将在https://github.com/akanuasiegbu/Leveraging-Trajectory-Prediction-for-Pedestrian-Video-Anomaly-Detection上提供。
2022-07-05 cs.CV
FABLE : Fabric Anomaly Detection Automation Process
University of technology of Troyes（特鲁瓦技术大学）；AQUILAE
本文提出FABLE自动化流程，结合域泛化与特异性学习，实现快速精确的织物纹理缺陷检测与分割，并支持自我评估和防重复训练。
2023-06-16 cs.CV
Constrained Adaptive Projection with Pretrained Features for Anomaly Detection
Shenzhen Institute of Advanced Study, UESTC（电子科技大学深圳高等研究院）
异常检测的目的是将异常从正常样本中分离出来，而预训练的网络在异常检测方面具有很好的应用前景。然而，当对一类训练数据进行微调时，调整预训练的特征将面临模式崩溃的风险。在本文中，我们提出了一个异常检测框架称为约束自适应投影与预训练的功能（CAP）。结合预训练特征，设计了一个简单的线性投影头，应用于特定的输入及其k个最相似的预训练正常表示进行特征自适应，并利用改进的自注意挖掘一类语义特征之间的内在联系。提出了一种损失函数来避免潜在的模式崩溃。具体地说，它考虑了特定数据与其相应的自适应法线表示之间的相似性，并引入了一个约束项，使预训练空间和自适应空间稍微对齐。我们的方法在语义异常检测和感官异常检测基准上实现了最先进的异常检测性能，包括CIFAR- 100数据集上的96.5%AUROC，CIFAR-10数据集上的97.0%AUROC和MvTec数据集上的89.9%AUROC。
2022-04-25 cs.CV
Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey
Indian Institute of Technology Bhubaneswar（布巴内斯瓦尔印度理工学院）
计算机视觉在过去十年中已经发展成为许多应用的关键技术，取代了人类的监督。在本文中，我们提出了一个调查相关的视觉监控相关的研究异常检测在公共场所，主要集中在道路。首先，我们回顾了过去10年在这一领域进行的调查。由于一个典型的异常检测的基本组成部分是学习，我们强调更多的学习方法应用于视频场景。然后，我们总结了在过去六年中所做的重要贡献异常检测主要集中在功能，底层技术，应用场景和类型的异常使用单静态相机。最后，我们讨论了计算机视觉相关的异常检测技术的挑战和一些重要的未来的可能性。
2019-01-24 cs.CV
Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing Flow and Dictionary Learning
Ningxia University（宁夏大学）；Collaborative Innovation Center for Ningxia Big Data and Artificial Intelligence Co-founded by Ningxia Municipality and Ministry of Education（宁夏回族自治区与教育部共建宁夏大数据与人工智能协同创新中心）
基于纹理背景的工业图像异常检测是异常识别中的一个常用研究领域。纹理图像的干扰和纹理异常的微小性是许多现有模型无法检测到异常的主要原因。基于上述问题，我们提出了一种结合字典学习和规范化流的异常检测策略。我们的方法增强了已经在使用的两阶段异常检测方法。为了改进基线方法，在表示学习中加入归一化流程，并将深度学习和字典学习相结合。经过实验验证，改进的算法在所有MVTec AD纹理类型数据上的$\%$检测准确率超过95。它表现出很强的鲁棒性。基线方法对地毯数据的检测准确率为67.9%。文章进行了升级，检测准确率提高到99.7%。
2022-09-19 cs.CV
UniADC: A Unified Framework for Anomaly Detection and Classification
Beijing University of Posts and Telecommunications（北京邮电大学）；China University of Mining（中国矿业大学）；VinUniversity（文理大学）
提出UniADC模型，通过无训练可控修复网络和隐式正态判别器，同时实现异常区域检测与类别识别，在少样本甚至零样本下超越现有方法。
2026-06-08 cs.CV
PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness
Fudan University（复旦大学）；National University of Singapore（新加坡国立大学）；Shanghai Ocean University（上海海洋大学）
PA-CLIP提出一种基于伪异常的零样本异常检测方法，通过多尺度特征聚合、双记忆库和决策模块减少背景噪声与误报，在MVTec AD和VisA数据集上优于现有零样本方法。
2025-03-03 cs.CV
Mean-Shifted Contrastive Loss for Anomaly Detection
The Hebrew University of Jerusalem（希伯来大学）
深度异常检测方法学习区分正常和异常图像的表示。虽然自我监督表示学习是常用的，小的数据集大小限制了其有效性。之前已经证明，利用外部通用数据集（例如ImageNet分类）可以显着提高异常检测性能。一种方法是离群值暴露，当外部数据集不类似异常时，这种方法就会失败。我们采用传输在外部数据集上预先训练的表示的方法进行异常检测。异常检测性能可以通过对正常训练图像上的预训练表示进行微调来显著提高。在本文中，我们首先证明和分析，对比学习，最流行的自监督学习范式不能天真地应用于预训练的功能。原因是预训练的特征初始化导致标准对比目标的条件差，导致优化动态性差。基于我们的分析，我们提供了一个修改后的对比目标，均值移动对比损失。我们的方法是非常有效的，并实现了一个新的国家的最先进的异常检测性能，包括$98.6\%$ ROC AUC的CIFAR-10数据集。
2022-11-28 cs.CV cs.LG
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
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
Dynamic Distinction Learning: Adaptive Pseudo Anomalies for Video Anomaly Detection
Kingston University（金斯顿大学）；School of Computer Science and Mathematics（计算机科学与数学学院）
本文提出动态区分学习（DDL），融合伪异常、动态异常加权与区分损失，在无需固定阈值的情况下提升视频异常检测性能，并在 Ped2、Avenue 和 ShanghaiTech 上验证了优越性。
2024-04-07 cs.AI cs.CV
Sub-clusters of Normal Data for Anomaly Detection
Kyung hee University（庆熙大学）
数据分析中的异常检测是一个有趣但仍然具有挑战性的研究课题。随着数据维复杂性的增加，需要理解其描述中的语义上下文，以便有效地进行异常描述。然而，现有的异常检测方法对高维数据（如ImageNet）表现出有限的性能。现有的研究已经评估了他们的性能低维，清洁和良好分离的数据集，如MNIST和CIFAR-10。本文研究高维复杂正态数据的异常检测问题。我们的观察是，在一般情况下，异常数据是由语义上可解释的功能，这些功能也可以用于定义正常数据的语义子集群。我们假设，如果存在合理的好的特征空间，语义上分离的子集群给定的正常数据，看不见的异常也可以很好地区分在空间中的正常数据。我们建议对给定的正常数据进行语义聚类，并训练分类器来学习最终进行异常检测的判别特征空间。基于我们对MNIST，CIFAR-10和ImageNet进行的仔细和广泛的实验评估，以及正常和异常数据的各种组合，我们表明我们的异常检测方案优于最先进的方法，特别是高维真实世界图像。
2020-11-17 cs.CV cs.LG
Contrastive Predictive Coding for Anomaly Detection
University of Amsterdam（阿姆斯特丹大学）
在实践中部署机器学习模型时，可靠的异常检测至关重要，但由于缺乏标记数据，仍然具有挑战性。为了应对这一挑战，对比学习方法正变得越来越受欢迎，因为它们在自我监督表示学习环境中取得了令人印象深刻的结果。然而，虽然大多数现有的对比异常检测和分割方法已被应用到图像，他们都不能使用的对比损失直接进行异常检测和分割。在本文中，我们通过使用对比预测编码模型（arXiv：1807.03748）来缩小这一差距。我们表明，它的补丁明智的对比损失可以直接被解释为一个异常的分数，以及如何允许创建异常分割掩模。由此产生的模型在具有挑战性的MVTec-AD数据集上实现了异常检测和分割的良好结果。
2021-07-16 cs.CV cs.LG
Set Features for Fine-grained Anomaly Detection
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
细粒度的异常检测最近已占主导地位的分割为基础的方法。这些方法首先对样本的每个元素进行分类（例如，图像块）为正常或异常，然后如果整个样本包含异常元素，则将其分类为异常。然而，这种方法并不适用于以正常元素的不寻常组合来表示异常的情况。在本文中，我们克服了这一限制，提出了一套功能，每个样本的分布其元素的模型。我们使用简单的密度估计方法计算每个样本的异常分数。我们的方法易于实现，在图像级逻辑异常检测（+3.4%）和序列级时间序列异常检测（+2.4%）方面优于最先进的方法。
2023-03-02 cs.CV cs.LG
LEA-Net: Layer-wise External Attention Network for Efficient Color Anomaly Detection
Kyushu Institute of Technology（九州工业大学）
利用异常的先验知识是异常检测的一个重要问题。最近，视觉注意力机制已经成为一种很有前途的方法来提高CNN的性能，用于一些计算机视觉任务。在本文中，我们提出了一种新的模型称为分层外部注意力网络（LEA-Net）的有效的图像异常检测。其核心思想依赖于通过视觉注意力机制集成无监督和监督异常检测器。我们的战略如下：（i）关于异常的先验知识被表示为通过正常实例的无监督学习生成的异常图，（ii）异常图被外部网络转换为注意力图，（iii）注意力图然后被并入异常检测网络的中间层。值得注意的是，这种逐层的外部注意力可以以端到端的训练方式应用于任何CNN模型。对于试点研究，我们验证LEA-Net的颜色异常检测任务。通过对PlantVillage，MVTec AD和Cloud数据集的广泛实验，我们证明了所提出的逐层视觉注意力机制始终提高了现有CNN模型的异常检测性能，即使在不平衡的数据集上也是如此。此外，我们表明，我们的注意力机制成功地提高了几个CNN模型的性能。
2021-09-12 cs.CV cs.LG
ESAD: End-to-end Deep Semi-supervised Anomaly Detection
Shanghai AI Laboratory（上海人工智能实验室）；Huawei Cloud & AI（华为云与人工智能）
本文探讨了半监督异常检测，一个更实际的设置异常检测，其中提供了一个小的额外的一组标记的样本。我们提出了一个新的KL-分歧为基础的半监督异常检测的目标函数，并表明两个因素：互信息之间的数据和潜在的表示，和熵的潜在表示，构成一个完整的异常检测的目标函数。为了解决同时优化这两个因素的矛盾，我们提出了一种新的编码器-解码器-编码器结构，第一个编码器专注于优化互信息和第二个编码器专注于优化熵。这两个编码器被强制共享相似的编码，并对它们的潜在表示进行一致的约束。大量的实验表明，该方法在多个基准数据集上的性能明显优于几种最先进的方法，包括医疗诊断和几个经典的异常检测基准。
2021-10-21 cs.CV cs.LG
PNUNet: Anomaly Detection using Positive-and-Negative Noise based on Self-Training Procedure
Ridge-i inc.（Ridge-i公司）
我们提出了一种新的图像异常检测框架。我们的新框架，PNUNet，是基于许多正常的数据和一些异常的数据。我们假设一些噪声被添加到输入图像中，并学习去除噪声。此外，该方法通过使用自训练框架更新输入中假设的噪声，实现了显着的性能改善。基准数据集的实验结果表明，我们的新的异常检测框架的实用性。
2019-05-27 cs.CV eess.IV
UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly Detection
Yonsei University（延世大学）
UniFormaly提出任务无关的统一视觉异常检测框架，通过Back Patch Masking和top k-ratio特征匹配，实现跨任务的高效检测并降低资源消耗。
2023-11-14 cs.AI cs.CV
MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection
LeapMind Inc.（LeapMind公司）
图像中的异常发生在各种尺度上，从地毯上的一个小洞到一个大污点。然而，基于稀疏编码的异常检测是广泛使用的异常检测方法之一，在处理超出用于稀疏表示图像的补丁大小的异常时存在问题。如果在小尺度下观察到大的异常，则可以认为是正常的，但是不容易确定适用于所有图像的单个尺度（斑块大小）。然后，我们提出将多尺度特征结合到稀疏编码中，提高异常检测的性能。多层特征稀疏编码（MLF-SC）方法采用神经网络进行特征提取，并对网络中间层的特征图进行稀疏编码，而标准的基于稀疏编码的异常检测方法直接对给定图像进行检测。我们表明，MLF-SC优于最先进的异常检测方法，包括采用深度学习的方法。我们的目标数据是MVTec异常检测（MVTec AD）数据集的纹理类别，该数据集是由来自真实世界的图像组成的现代基准数据集。我们的想法可以是处理实际数据的简单而实用的选择。
2021-04-09 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 for Anomaly Detection: A Review
University of Adelaide（阿德莱德大学）；University of Technology Sydney（悉尼科技大学）
异常点探测，也就是。异常值检测或新颖性检测几十年来一直是各种研究团体中持续而活跃的研究领域。仍然有一些独特的问题、复杂性和挑战需要先进的方法。近年来，深度学习实现了异常检测，即，深部异常探测已经成为一个重要的方向。本文对深部异常检测的研究进行了全面的分类，涵盖了3个高级别类别和11个细粒度类别的方法的进展。我们回顾他们的关键直觉，目标函数，基本假设，优点和缺点，并讨论他们如何解决上述挑战。我们进一步讨论了一系列可能的未来机遇和应对挑战的新视角。
2020-12-05 cs.CV cs.LG stat.ML
