A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection(翻译)
用于无监督异常检测的综合真实数据集
原文:https://ieeexplore.ieee.org/document/8954181
摘要
自然图像数据中异常结构的检测在计算机视觉领域的众多任务中具有极其重要的意义。无监督异常检测方法的发展需要数据来训练和评估新的方法和思想。我们介绍了MVTec异常检测(MVTec-AD)数据集,其中包含5354幅不同对象和纹理类别的高分辨率彩色图像。它包含正常图像,即无缺陷图像、用于训练的图像和用于测试的异常图像。异常表现为70多种不同类型的缺陷,如划痕、凹痕、污染和各种结构变化。此外,我们为所有异常提供像素精确的地面真值区域。我们还对当前最先进的基于深层结构的无监督异常检测方法进行了全面的评估,这些深层结构包括卷积自编码器、生成对抗网络和使用预先训练的卷积神经网络的特征描述符,以及经典的计算机视觉方法。这一初步基准表明,有相当大的改进空间。据我们所知,这是第一个用于异常检测的综合、多目标、多缺陷数据集,它提供了像素精确的地面真实区域,并侧重于实际应用。
1介绍
人类非常善于识别一幅图像是否与他们之前观察到的相似,或者是某种新奇或异常的东西。然而,到目前为止,机器学习系统似乎很难完成这些任务。
有许多相关的应用必须依赖于能够检测异常区域的无监督算法。例如,在制造业中,光学检查任务通常缺少缺陷样品,或者不清楚可能出现什么类型的缺陷。在主动学习系统中,被识别为异常的结构可能表明有必要包含一个特定的图像用于训练。因此,最近人们对利用现代机器学习结构在自然图像数据中进行新颖性检测产生了极大的兴趣也就不足为奇了。已经提出了许多算法来测试网络是否能够检测新的输入数据是否与训练数据的分布相匹配。然而,这些算法中的许多都侧重于分类设置,其中内隐分布和离群分布有显著差异。这通常被称为离群点检测或一类分类。一种常见的评估协议是将现有对象分类数据集中的若干类任意标记为离群类,并将剩余的类作为内联进行训练。然后测量训练后的算法能够很好地区分以前看不到的离群值和内部样本。
虽然这种图像级别的分类很重要,但目前尚不清楚最新的方法如何执行我们所称的异常检测任务。问题是如何在图像中发现与训练数据非常接近的新特征,并且仅在可能非常小的受限区域中存在细微的偏差。显然,要为此类和其他具有挑战性的场景开发机器学习模型,我们需要合适的数据。奇怪的是,对于这样的场景,缺乏全面的真实数据集。
在过去的几年里,大规模数据集在计算机视觉的许多领域都取得了惊人的进步。只要考虑一下,新分类方法的发展与数据集(如MNIST[16]、CIFAR10[14]或ImageNet[15])的引入有多么紧密的联系。据我们所知,没有可比较的数据集存在的任务,无监督异常检测。作为填补这一空白并推动无监督异常检测方法发展的进一步研究的第一步,我们介绍了MVTec异常检测(简称MVTec AD或MAD)数据集1,该数据集有助于对此类方法进行全面评估。我们将工业检验任务确定为这些场景的理想且具有挑战性的现实世界用例。对象或纹理的无缺陷示例图像用于训练必须确定在测试期间是否存在异常的模型。无监督的方法在这里起着重要的作用,因为在制造过程中,通常事先不知道可能发生什么类型的缺陷。此外,还优化了工业流程,以生产出最少数量的缺陷样品。因此,与可用于训练的大量无缺陷样本相比,只有非常有限数量的具有缺陷的图像可用。理想情况下,这些方法应该提供对异常区域的像素精确分割。所有这些使得工业检测任务成为在自然图像上工作的无监督异常检测方法的完美基准。我们的贡献有两个方面:
•我们引入了一个新颖而全面的数据集,用于自然图像数据的无监督异常检测。它模拟了现实世界中的工业检测场景,由5354个高分辨率图像组成,其中有5个独特的纹理和10个来自不同领域的独特物体。在物体或纹理中有73种不同类型的缺陷形式的异常。对于每个缺陷图像,我们提供像素精确的地面真值区域(总共1888个),允许评估一类分类和异常检测的方法。
•我们对当前最先进的方法以及更传统的数据集无监督异常检测方法进行了全面评估。评估了它们在异常图像分割和分类方面的性能。此外,我们提供了一个定义良好的方法来检测测试图像中的异常区域使用超参数估计,没有任何异常图像的知识。我们表明,所评估的方法在对象和缺陷类别中的表现不尽相同,而且还有相当大的改进空间。
2相关工作
2.1. 用于异常检测的现有数据集
我们首先简要概述了自然图像中常用的异常检测数据集,并说明了对我们的新数据集的需求。我们区分的数据集,其中一个简单的二元决策之间的缺陷和无缺陷的图像必须作出和数据集,允许分割异常区域。
2.1.1异常图像分类
在评估多类分类场景中异常值检测的方法时,一种常见的做法是调整已有类标签的现有分类数据集。最突出的例子是MNIST[16]、CIFAR10[14]和ImageNet[15]。一种流行的方法[1,7,21]是选择一个类的任意子集,将它们重新标记为异常值,并仅在剩余的内部类上训练一个新颖性检测系统。在测试阶段,检查训练模型是否能够正确预测测试样本是否属于某个内联类。虽然这立即提供了大量的训练和测试数据,但异常样本与从训练分布中提取的样本有显著差异。因此,在对这些数据集进行评估时,尚不清楚拟议的方法如何推广到异常表现为与训练数据流形差异不太显著的数据。
为此,Saleh等人[22]提出了一个数据集,该数据集包含六类形状异常的对象,例如形状怪异的汽车、飞机和船只,这些对象是从互联网搜索引擎中获得的,应该与PASCAL VOC数据集中同类的常规样本相区别[8]。虽然他们的数据可能更接近于训练数据流形,但决策还是基于整个图像,而不是找到使其新颖或异常的图像部分。
2.1.2异常区域分割
对于图像异常分割方法的评价,目前只有很少的公共数据集可用。所有这些研究都集中在纹理表面的检测上,据我们所知,目前还没有一个全面的数据集可以对自然图像中的异常区域进行分割。
卡雷拉等人[6]提供了NanoTWICE,这是一个由45个灰度图像组成的数据集,显示了通过扫描电子显微镜获得的纳米纤维材料。五个无缺陷图像可用于训练。剩下的40幅图像包含了一些异常区域,这些异常区域以尘埃斑点或扁平区域的形式出现。由于数据集只提供单一类型的纹理,因此不清楚在该数据集上评估的算法在多大程度上可以推广到不同领域的其他纹理。
Wieler和Hahn在2007年的DAGM研讨会上提出了一个专门设计用于纹理表面光学检测的数据集[28]。他们提供了十类人工生成的灰度纹理,缺陷以椭圆的形式弱注释。每一类包括1000个无缺陷纹理块用于训练,150个缺陷纹理块用于测试。但是,它们的注释非常粗糙,而且由于纹理是由非常相似的纹理模型生成的,因此不同纹理之间的外观差异非常小。此外,人工生成的数据集只能看作是与现实世界的近似。
2.2. 方法
无监督异常检测方法的前景是多样的,已经提出了许多方法来解决这个问题[1,19]。Pimentel等人[20]全面回顾了现有的工作。我们仅对当前最先进的方法进行简要概述,重点介绍那些作为数据集初始基准的方法。
2.2.1生成性对抗网络
Schlegl等人[23]提出通过生成性对抗网络(GAN)[10]对训练数据的流形进行建模,该网络仅在无缺陷图像上进行训练。该生成器能够生成逼真的图像,以对抗的方式欺骗同时训练的鉴别器网络。对于异常检测,该算法搜索一个潜在的样本,该样本再现给定的输入图像,并设法欺骗鉴别器。通过将重建图像与原始输入进行逐像素比较,可以得到异常分割。
2.2.2深卷积自动编码器
卷积自动编码器(CAE)[9]通常用作无监督异常检测设置中的基本架构。他们试图通过一个瓶颈(潜在空间)重建无缺陷的训练样本。在测试过程中,他们无法再现与训练过程中观察到的数据不同的图像。异常是通过对输入和重建进行逐像素比较来检测的。最近,Bergmann等人[4]指出了自动编码框架中每像素损失函数用于异常分割场景时的缺点,并建议使用结构相似性[27]合并局部斑块区域的空间信息,以改进分割结果。
CAEs有多种扩展,如Baur等人[3]使用的变分自动编码器(VAEs)[13],用于脑部MR扫描异常的无监督分割。然而,Baur等人并未报告使用标准CAE的显著改进。这与Bergmann等人的观察结果一致[4]。Nalisnick等人[17]和Hendrycks等人[12]提供了进一步的证据,证明从VAEs和其他深层生成模型获得的概率可能无法对训练数据的真实可能性建模。因此,在对下面的数据集进行初始评估时,我们仅限于使用确定性自动编码器框架。
2.2.3预训练卷积神经网络的特点
上述方法试图仅从所提供的训练数据学习特征表示。此外,还有许多方法使用从CNN获得的特征描述符,这些特征描述符已经在单独的图像分类任务中进行了预训练。
Napoletano等人[18]建议使用从ResNet-18[11]分类网络的激活中获得的聚类特征描述,这些分类网络在ImageNet[15]上预先训练,以区分正常数据和异常数据。他们在NanoTWICE数据集上获得了最先进的结果。由于是为一类分类设计的,他们的方法只提供了一个二值化的决定是否输入图像包含异常。为了获得空间异常图,分类器必须在多个图像位置进行评估,最好是在每个像素处。这很快就会成为大型映像的性能瓶颈。为了在实践中提高性能,不是每个像素的位置都被评估,并且得到的异常图是粗糙的。
2.2.4传统方法
除了上述方法之外,我们还考虑了两种传统方法作为基准。Bottger和Ulrich[5]从无缺陷纹理图像中提取手工制作的特征描述符。利用高斯混合模型(GMM)对特征向量的分布进行建模,并对提取出的特征描述符进行异常检测,GMM得到的异常概率很低。他们的算法只能应用于规则纹理的图像。
为了获得数据集中非纹理对象的简单基线,我们考虑了变化模型[26,第3.4.1.4章]。这种方法需要事先对齐物体轮廓,并计算每个像素的平均值和标准偏差。对训练图像的灰度统计进行建模。在测试期间,对每个图像像素执行统计测试,该测试测量像素的灰度值与平均值的偏差。如果偏差大于阈值,则检测到异常像素。
3数据集描述
MVTec异常检测数据集包括15个类别,3629个图像用于训练和验证,1725个图像用于测试。训练集只包含没有缺陷的图像。测试集包含两个部分:包含各种类型缺陷的图像和无缺陷图像。表1给出了每个对象类别的概述。每个类别的一些示例图像以及一个示例缺陷如图2所示。我们在补充材料中提供了数据集的进一步示例图像。五个类别涵盖不同类型的常规(地毯、网格)或随机(皮革、瓷砖、木材)纹理,其余十个类别代表各种类型的对象。其中一些物体具有固定外观的刚性(瓶子、金属螺母),而另一些物体可变形(电缆)或包含自然变化(榛子)。一部分物体以大致对齐的姿势(如牙刷、胶囊和药丸)获得,而另一部分物体则以随机旋转的姿势(如金属螺母、螺钉和榛子)放置在相机前面。异常样品的测试图像包含各种缺陷,如物体表面的缺陷(如划痕、凹痕)、结构缺陷(如扭曲的物体部分)或由于缺少某些物体部分而表现出来的缺陷。总共有73种不同的缺陷类型,平均每类5种。这些缺陷是手动生成的,目的是产生实际的异常情况,就像它们在实际的工业检验场景中一样。
图2:MVTec AD数据集的所有五种纹理和十种对象类别的示例图像。对于每个类别,顶行显示一个无异常图像。中间一行显示了一个异常示例,在底部一行中,给出了突出显示异常区域的特写视图。
表1:MVTec AD数据集的统计概述。对于每个类别,给出了训练和测试图像的数量以及有关各个测试图像中存在的缺陷的附加信息。
所有图像都是使用2048×2048像素高分辨率工业RGB传感器和两个双边远心透镜[26,第2.2.4.2章]采集的,放大倍数分别为1:5和1:1。之后,图像被裁剪成合适的输出大小。所有图像分辨率都在700×700到1024×1024像素之间。由于灰度图像在工业检测中也很常见,因此三种对象类别(网格、螺钉和拉链)仅作为单通道图像提供。图像是在高度控制的光照条件下获得的。然而,对于某些对象类,照明被有意地改变以增加可变性。我们为每个缺陷图像区域提供像素精确的地面真值标签。总的来说,数据集包含了将近1900个手工标注的区域。图1显示了所选异常图像的一些标签示例。
图1:MVTec AD数据集中的两个对象和一个纹理。对于每一个,显示一个无缺陷图像和两个包含异常的图像。异常区域在特写图中与像素精确的地面真值标签一起突出显示。该数据集包含来自多个域的对象和纹理,并涵盖在大小、颜色和结构等属性上不同的各种异常。
4基准
作为数据集的初始基准,我们对无监督异常检测的多种最新方法进行了全面的评估。其目的是作为未来方法的基线。此外,我们提供了一种定义良好的方法来检测测试图像中的异常区域,该方法使用仅由无异常验证图像估计的超参数。然后我们讨论了每种方法在数据集的不同对象和纹理上的优缺点。我们表明,虽然每种方法都可以检测到某些类型的异常,但没有一种方法能够在整个数据集中表现出色。
4.1. 评价方法
4.1.1AnoGAN
对于AnoGAN的评估,我们使用了Github上的公开实现。3 GAN的潜在空间维数固定为64,生成的图像大小为128×128像素,这使得数据集的所有类别都得到了相对稳定的训练。培训时间为50个学时,初始学习率为0.0002。在测试过程中,以0.02的初始学习率进行了300次潜在空间搜索迭代。异常图是通过对输入图像和生成的输出图像进行每像素ℓ2比较得到的。
对于目标的评估,训练图像和测试图像都被放大到128×128像素的输入大小。对于纹理,我们将所有数据集图像缩放到512×512大小,并提取128×128大小的训练面片。对于培训,使用第4.2节所述的数据增强技术。在测试过程中,以128像素的水平和垂直跨距执行逐块评估。一般来说,人们也可以想象选择一个较小的步幅,并平均估计的异常分数。但是,这是不可行的,因为AnoGAN的潜在空间优化运行时间相对较长。
4.1.2 L2和SSIM自动编码器
对于纹理图像上L2和SSIM自动编码器的评估,我们使用Bergmann等人[4]描述的相同CAE架构。他们重建大小为128×128的纹理块,采用每像素的损失或基于结构相似性指数(SSIM)的损失。对于后者,我们发现11×11像素的SSIM窗口在我们的实验中工作得很好。潜空间维数选择为100。较大的潜在空间维数不会显著提高重建质量,而较低的维数会导致退化重建。
由于我们认为128×128的图像大小对于重建数据集中的整个对象来说太小,因此我们通过一个额外的卷积层来扩展用于纹理的结构,以处理分辨率为256×256的对象图像。
对于物体,异常图是通过将图像通过自动编码器生成的,并使用每像素ν2比较或SSIM将重建与其各自的输入进行比较。对于纹理,我们以30像素的步幅重建面片,并平均生成的异常贴图。由于SSIM不操作彩色图像,为了训练和评估SSIM自动编码器,图像被转换为灰度。数据扩充如第4.2节所述。
4.1.3 CNN功能字典
我们使用Napoletano等人[18]提出的CNN特征字典的实现,它从ImageNet上预训练的ResNet-18的512维avgpool层中提取特征。对提取的特征进行主成分分析(PCA)以解释95%的方差,这通常导致约100个分量的特征向量的减少。对于K-means,我们改变了聚类中心的数目,确定了10个聚类中心是一个很好的值,这与Napoletano等人的研究结果是一致的,我们为纹理和物体提取了16×16大小的斑块。对象按图像大小256×256计算,纹理图像缩放为大小512×512。对于评估,选择四个像素的步幅来创建粗略的异常图。对于灰度图像,由于特征抽取器仅对三通道输入图像进行操作,因此将通道进行三重化以进行ResNet特征提取。
4.1.4基于GMM的纹理检测模型
对于纹理检测模型[5],HALCON机器视觉库中提供了一个优化的实现,将4幅纹理图像缩小到400×400像素的输入大小,并构建了一个四层图像金字塔用于训练和评估。在每个金字塔级别上检查的纹理区域的面片大小设置为7×7像素。我们使用从原始训练集中随机选取的10幅图像来训练纹理模型。利用训练好的GMM对每个像素点进行负对数似然估计,得到异常图。该方法自动提供一个阈值,用于将连续异常图转换为异常区域的二值化分割。
4.1.5变化模型
为了使用变异模型评估对象类别,我们首先尝试使用基于形状的匹配来对齐每个类别[24,25]。由于不可能对数据集中的每个对象都进行接近像素的精确对齐,因此我们将此方法的评估限制为对象的子集(表2)。我们使用30张随机选取的原始大小的训练图像来训练每个像素位置的均值和方差参数。所有图像在评估前都转换为灰度。异常图是通过计算每个测试像素的灰度值到预测像素平均值相对于其预测标准差的距离得到的。对于基于GMM的纹理检测,我们采用了HALCON机器视觉库的优化实现。
表2:应用于异常图像分类的评估方法的结果。对于每个数据集类别,给出了无异常(顶行)和异常图像(底行)正确分类样本的比率。对于每个纹理和对象类别,这两个值中平均值最高的方法以粗体突出显示。
4.2. 数据扩充
由于基于深层结构的评估方法通常是在大数据集上训练的,因此对这些方法的纹理和对象都进行了数据扩充。对于纹理图像,我们从训练图像中随机裁剪固定大小的旋转矩形块。对于每个对象类别,我们应用随机平移和旋转。在对象允许的情况下应用附加镜像。我们对每个类别进行扩充,创建10000个训练补丁。
4.3. 评价指标
每种评价方法都提供了一个单通道空间图,其中较大的值表示某个像素属于异常区域。为了得到最终的分割结果并对每个像素进行二值化决策,必须确定一个阈值。只有基于GMM的纹理检测提供了一个现成的合适阈值。对于所有其他方法,我们提出了一个定义良好的方法来估计阈值从一组随机选择的验证图像,我们排除了训练集。
对于每一个类别,我们定义了一个最小的缺陷区域,在阈值异常图中一个连接的组件必须被分类为一个缺陷区域。对于每一种评估方法,我们都会以增加阈值的方式依次分割无异常验证集的异常图。当验证集上最大异常区域的面积刚好低于用户定义的面积时,此过程停止,并使用产生此分割的阈值进行进一步评估。
在给定阈值的情况下,我们评估了每种方法在异常分类和分割任务中的性能。对于分类场景,我们计算了异常和无异常测试图像正确分类的准确率。为了评估分割性能,我们评估了分割与地面真实度的相对区域重叠。为了得到与所确定的阈值无关的额外性能度量,我们计算了接收机工作特性曲线(ROC-AUC)下的面积。我们将真阳性率定义为在评估的数据集类别中被正确分类为异常的像素百分比。假阳性率是被错误分类为异常的像素的百分比。
4.4. 结果
表2和表3分别给出了所有方法和数据集类别的异常图像分类和异常区域分割的评估结果。没有一种方法能够在所有对象和纹理类中保持一致的性能。
从整体上看,五个纹理类别中,没有一个被评估的方法是明显的胜利者。仅考虑ROC AUC,CNN特征字典的表现最为一致。
对于十种对象类别,自动编码器体系结构可以获得最佳结果。这两者中哪一个性能更好取决于所考虑的对象。L2自动编码器实现了更好的每区域重叠值,这表明异常阈值的估计对于这种方法可能工作得更好。
表3显示高ROC AUC不一定与估计阈值分割的高区域重叠一致。在这些情况下,ROC-AUC显示异常图成功地表示了图像中的异常,但是由于阈值估计错误,分割失败。这突出了仅仅基于一组无异常图像来寻找一个好的阈值的困难。在有监督的环境中,即,在知道一组异常图像的情况下,这种估计通常可能是一项更容易的任务。现在,我们讨论每种方法的总体评估结果,并提供失败案例和图像的示例,这些方法在这两种情况下运行良好(图3)。
表3:用于异常区域分割的评估方法的结果。对于每个数据集类别,给出了每个区域的相对重叠(顶行)和ROC AUC(底行)。最佳执行方法以黑体字突出显示。
图3:AnoGAN(a)、自动编码器(b)、CNN特征字典(c)、纹理检查模型(d)和变异模型(e)的定性异常分割结果。对于每个被评估的方法,最上面的一行显示了该方法工作良好的图像,最下面的一行显示了失败案例。地面真值缺陷区域用红色表示,而相应方法生成的检测结果用绿色表示。
4.4.1AnoGAN
我们观察到GAN训练有导致模式崩溃的趋势[2]。然后,由于所有潜在样本生成或多或少相同的图像,因此发生器通常完全不能再现给定的测试图像。因此,AnoGAN在处理对象类别时有很大的困难,因为对象在数据集中以各种形状或方向出现。对于包含较少变化的对象类别(如瓶子和药丸),它的性能更好。这可以在图3a中看到,AnoGAN设法检测到药丸上的裂缝。然而,它无法在药丸上产生小细节,比如彩色斑点,它也会检测出异常。对于类别地毯,AnoGAN无法对纹理图案的所有细微变化进行建模,这导致该方法完全失败,如图3a的底行所示。
4.4.2 L2和SSIM自动编码器
我们观察到所有数据集类别的稳定训练,并对SSIM和L2自动编码器进行了合理的重构。特别是对于数据集的对象类别,这两种自动编码器在大多数情况下都优于所有其他评估方法。然而,对于某些类别,两个自动编码器都无法对小细节进行建模,从而导致图像重建相当模糊。高频纹理尤其如此,例如,在瓷砖和拉链中出现。图3b的底行显示,对于平铺,L2自动编码器除了检测裂缝表面外,还检测整个图像中的许多假阳性区域。可以观察到SSIM自动编码器的类似行为。
4.4.3 CNN特征字典
提出了一种基于CNN特征的特征字典检测纹理表面异常区域的方法,对除网格外的所有纹理都取得了满意的结果。由于它不包含有关提取特征的空间位置的附加信息,因此在对对象进行评估时,其性能会退化。图3c展示了地毯的良好异常分割性能,只有很少的误报,而金属螺母上的颜色缺陷仅被部分发现。
4.4.4基于GMM的纹理检测模型
基于GMM的纹理检测模型专门设计用于处理纹理图像,在数据集的大多数纹理类别中都表现良好。然而,在网格上,由于许多小缺陷,其灵敏度不够高(图3d),因此无法获得令人满意的结果。此外,由于它仅对灰度图像进行操作,因此无法检测大多数基于颜色的缺陷。
4.4.5变化模型
对于变分模型,在螺杆、牙刷和瓶子上可以观察到良好的性能,而在金属螺母和胶囊上则产生相对较差的结果。这主要是由于后一个对象在对象的表面上包含某些随机变化,这使得变化模型无法为大多数图像像素学习合理的均值和方差值。图3e说明了这种行为:由于胶囊上的印记可能出现在不同的位置,因此它总是被误分类为缺陷。
5结论
我们介绍了MVTec异常检测数据集,这是一种模拟真实工业检测场景的无监督异常检测数据集。该数据集提供了一种可能性,以评估无监督异常检测方法对各种纹理和对象类与不同类型的异常。由于为图像中的异常区域提供了像素精确的地面真值标签,因此可以对图像级分类和像素级分割的异常检测方法进行评估。在这个数据集上对几种最先进的方法以及两种经典的方法进行了全面的评估。这些评价为这一数据集提供了第一个基准,并表明仍有相当大的改进空间。我们希望所提出的数据集将刺激新的无监督异常检测方法的发展。
A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection(翻译)相关推荐
- MVTec AD—A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection 2019 CVPR
MVTec AD-A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection 2019 CVPR 作者:Paul Ber ...
- 【Paper】A Comparative Evaluation of Unsupervised Anomaly Detection Algorithms for Multivariate Data
论文原文:HTML 论文年份:2020 论文被引:396(2020/10/03) 696(2022/03/26) 文章目录 Abstract Introduction Categorization o ...
- 《SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection》论文阅读理解
<SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection>论文阅读理解 领域:用于医学图像的异常检测 论文地址 ...
- 【时序异常检测翻译】1.DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
DeepAnT:一种用于时间序列中无监督异常检测的深度学习方法 摘要 传统的基于距离和密度的异常检测技术无法检测流数据中常见的周期性和季节性点异常,在当前物联网时代,时间序列异常检测存在很大差距.为了 ...
- 【读论文】A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time...
目录 1. 这篇文章的主要研究内容 2. MSCRED Framework 1. Problem Statement 2. Overview (1)Characterizing Status with ...
- Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications 网络 ...
- 【Donut论文】Unsupervised anomaly detection via variational auto-encoder for seasonal kpis...
简述 本文提出的 Donut,基于 VAE(代表性的深层生成模型)的无监督异常检测算法,伴有理论解释,可以无标签或偶尔提供的标签下学习. 本文贡献 1,Donut 里的三项技术:改进的 ELBO,缺失 ...
- [文献阅读]A deep neural network for unsupervised anomaly detection and diagnosis in MTSD
A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series D ...
- (Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 0 异常检测简述
文章目录 1. 简介 2. 相关数据集与评价指标 3. 研究进展 参考 1. 简介 异常检测,简单地说就是让学习到的模型能够区分开正常样本和异常样本.比如在医学领域,根据CT影像学习的癌症检测模型也可 ...
最新文章
- Oracle DBA学习互联网化的内容
- 未来的信息安全管理人员应当具备哪些技能
- python各个解释器的用途-常见的Python五大解释器!
- 本周两场直播丨PostgreSQL中的锁;数据库对象命名设计规范手册
- Oracle分析函数Over()
- anaconda安装numpy_Python3.8如何安装Numpy
- 【R可视化】你家乡的肯德基都在哪儿?
- 史上最完整的MySQL注入
- python存钱挑战_52周拯救挑战赛(python),存钱,Python
- python的OOP机制
- 【bootstraptable】JS访问用户媒体设备摄像头,进行拍照保存
- 在 Windows 下用 GCC 编译器练习 C/C++ 的简单教程
- jQuery手风琴菜单的制作
- 【ROS】rosbag
- BLE(低功耗蓝牙)中ATT协议简介
- Docker保姆级学习教程
- 客户人群画像分析 客户进行用户画像实现精准营销- Whale帷幄
- W3school离线手册2019资源下载
- CAN BLF包解析和播包发送(一):CAN dbc解析
- 抖音如何上大热门 视频批量md5绿色版