1、GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training

2019 ACCV
领域异常检测
目标图像输入数据

模型

在这里插入图片描述
网络分成三个子网络
一个子网络: 自动编码器网络,充当模型生成器用来重建图像
第二个子网络: 一个编码器网络,与第一个编码器网络的架构相同。
第三子网络: 是鉴别器网络。用来分类为真还是假。

主要创新

提出利用潜在空间的表示来使得重建图像和正常样本的分布差异。

2、Skip-GANomaly: Skip Connected and AdversariallyTrained Encoder-Decoder Anomaly Detection

2019 IJCNN
领域异常检测
目标:图像输入数据

模型

在这里插入图片描述
网络分成两个子网络:
一个子网络: 编码器解码器构成的自动编码器,并引入跳连。获得多尺度特征,保留全局和局部特征
第二个子网络: 是一个鉴别器网络。

主要创新

  1. 引入了跳连的策略
  2. 减少了网络的结构,减少了一个编码器网络,利用鉴别器得到的bottleneck features计算损失

3、Industrial surface defect detection and localization using multiscale information focusing and enhancement GANomaly

2024 Expert Systems With Applications
领域:异常检测
目标:图像输入数据

模型

在这里插入图片描述
网络分成两个子网络:
第一个子网络: 编码器解码器构成的自动编码器,并引入跳连和自注意力机制。获得更丰富的上下文信息
第二个子网络: 是一个鉴别器网络。

损失函数
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
消融实验
在这里插入图片描述
引入的跳连、自注意力机制以及结构相似性损失可以提升性能

主要创新

  1. 与上面第二个论文相比,只选择编码最后一个下采样层进行跳连。
  2. 引入自注意力机制,关注更局代表性的信息
  3. 引入使用基于结构相似性的损失函数

4、想法

  1. 可以利用潜在空间中的bottleneck features进行学习,进一步减小数据分布的差异性。
  2. 注意多尺度信息
  3. 可以利用注意力机制进一步关注代表性信息

原文地址:https://blog.csdn.net/pengmingjv/article/details/134649521

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_16915.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注