Jove
Visualize
联系我们

相关实验视频

Updated: Jun 13, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

487

邻近图像增强及其在异常检测中自我监督学习的框架

Gi Seung Kwon1, Yong Suk Choi1

  • 1Department of Computer Science, Hanyang University, Seoul 04763, Republic of Korea.

Sensors (Basel, Switzerland)
|September 14, 2024
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Fusion Attention for Action Recognition: Integrating Sparse-Dense and Global Attention for Video Action Recognition.

Sensors (Basel, Switzerland)·2024
Same author

A web-based care assistant for caregivers of the elderly: Development and pilot study.

Digital health·2023
Same author

LMGAN: Linguistically Informed Semi-Supervised GAN with Multiple Generators.

Sensors (Basel, Switzerland)·2022
Same author

UAT: Universal Attention Transformer for Video Captioning.

Sensors (Basel, Switzerland)·2022
Same author

Enhancing Targeted Minority Class Prediction in Sentence-Level Relation Extraction.

Sensors (Basel, Switzerland)·2022
Same author

Effective Pre-Training Method and Its Compositional Intelligence for Image Captioning.

Sensors (Basel, Switzerland)·2022
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

一种新的相邻增强技术通过创建合成异常和正常数据来增强深度学习异常检测. 这种方法有效地解决了类不平衡,并提高了检测准确性,在MVTec-AD数据集上获得了完美的分数.

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习
  • 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

  • 深度神经网络正在推进异常检测.
  • 培训需要正常和异常数据,由于异常数据稀缺,经常导致类不平衡.
  • 传统的增强方法难以保持异常及其背景之间的相关性.

研究的目的:

  • 引入一个相邻的增强技术,用于生成合成异常图像.
  • 为了保持物体形状,同时扭曲轮以增强相关性.
  • 为了提高异常检测性能和减轻阶级失衡.

主要方法:

  • 邻近增强通过保存对象形状和扭曲轮来生成合成异常图像.
  • 合成正常图像是为了学习详细的正常数据特征而生成的.
  • 一个框架将训练图像与批次内的合成正常 (正) 和异常 (负) 图像配对.

主要成果:

  • 邻近的增强捕捉了高质量的异常特征,在AU-ROC和AU-PR得分中表现优于现有的方法.
  • 该技术产生合成正常图像,减少对微小变化的敏感性.
  • 在MVTec-AD瓶数据集上使用ResNet50获得了完美的AU-ROC和AU-PR得分 (100%).
关键词:
检测异常检测异常检测自动光学检查自动光学检查代表性学习学习学习

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

378
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.8K

相关实验视频

Last Updated: Jun 13, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

487
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

378
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.8K

结论:

  • 邻近的增强有效地弥补了有限的异常特征,并减轻了阶级不平衡.
  • 该方法提高了区分正常和异常特征的能力.
  • 进一步的研究正在探索异常模式大小对检测性能的影响.