Learning Memory-guided Normality for Anomaly Detection

最新推荐文章于 2023-12-05 20:58:29 发布
最新推荐文章于 2023-12-05 20:58:29 发布
阅读量1.9k 收藏 8
点赞数 2
CC 4.0 BY-SA版权
分类专栏： Anomay Detection 文章标签： 计算机视觉 Anomaly Detection
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/IT_BOY__/article/details/109292743
本文介绍了一种基于记忆模块的异常检测方法MNAD，该方法能够有效区分并记忆正常数据的多样性，避免将正常数据误判为异常。通过将正常数据划分为多种模式并存储在记忆单元中，模型能更好地理解和重构正常数据。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文链接：Learning Memory-guided Normality for Anomaly Detection

开源代码：https://github.com/cvlab-yonsei/MNAD

创新点：提出了不同正常模式的记忆模块，可以有效地记忆正常数据的多样性。在这篇论文中，作者认为CNN特征的表达能力很强，很可能会将正常数据重构成异常数据。在这种情况下，他将正常数据分成若干种模式，也就是将正常数据予以区别，在记忆模块里表现为M个记忆单元（其实也就是M个特征向量）。当通过Encode提取到了CNN特征时，不是直接进行重构，而是从记忆单元中按照匹配概率（K个queries 与 M个items 的cosin相似度）读取信息，然后与原来的CNN特征在通道上连接，送入Decode中。这可以有效让模型理解正常数据，不至于将正常数据重构成异常数据。对于记忆模块的更新，它通过查询与记忆单元最近的queries（也就是一个个特征向量），利用这些queries更新记忆单元。

网络结构图
正常数据的多样性如图所示，左边是加了记忆模块，可以很好地区别正常数据，右边是没有记忆模块，不能理解正常数据地多样性。
在这里插入图片描述
实验结果：
在这里插入图片描述

域适应目标检测：MeGA-CDA论文笔记——MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised DA
qq_50001789的博客
06-25 713
域适应目标检测：MeGA-CDA论文笔记——MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection 本文提出了一种用于域适应目标检测的类别特征对齐方法，具体地来说，通过构建类判别器来将类别信息纳入领域对齐的过程中。为了克服缺乏目标域类别特征所产生的问题，作者还提出了一种由记忆引导的注意力机制。
ICCV 2021 oral 重构+预测，双管齐下提升视频异常检测性能
我爱计算机视觉
10-14 2735
关注公众号，发现CV技术之美本文分享 ICCV 2021oral 论文『A Hybrid Video Anomaly Detection Framework via Memory-Aug...
[异常检测] Learning Memory-guided Normality for Anomaly Detection
BENULL的博客
12-28 2588
Learning Memory-guided Normality for Anomaly Detection 单位：Yonsei University 会议：CVPR 2020 论文地址：Learning Memory-guided Normality for Anomaly Detection 代码地址：https://github.com/cvlab-yonsei/MNAD 基于CNN方法的一个缺点就是没有考虑正常样本的多样性，CNNs的能力太强，对于输入是异常的视频帧样本，也能重建的像异常视频帧，
Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测
唐人的博客
03-15 2052
又是一篇在自编码器框架中研究使用记忆模块的论文，可以看做19年的iccv的论文的衍生，在我的博客中对19年iccv这篇论文也做了简单介绍。韩国人写的，应该是吧，这名字听起来就像。 摘要abstract 我们解决异常检测的问题，即检测视频序列中的异常事件。基于卷积神经网络的异常检测方法通常利用代理任务(如重建输入视频帧)来学习描述正常情况的模型，而在训练时看不到异常样本，并在测试时使用重建误差来量化异常的程度。这些方法的主要缺点是没有明确考虑正常模式的多样性，而CNNs强大的表示能力允许重建异常的视频..
[论文阅读笔记]Learning Memory-guided Normality for Anomaly Detection
suelta_th的博客
09-24 4598
论文发表年限：CVPR，2020 作者：Hyunjong Park、Jongyoun Noh、Bumsub Ham 论文下载地址：Learning Memory-guided Normality for Anomaly Detection github地址：https://github.com/cvlab-yonsei/MNAD 摘要：异常检测、无监督 Motivation 现有的方法没有考虑到正常行为（normal）的多样性。同时强大的CNN网络能够重构异常行为（abnormal），导致不能检测出异常行为
Learning Memory-guided Normality for Anomaly Detection 论文解析——模型介绍
m0_51951959的博客
11-09 1775
Learning Memory-guided Normality for Anomaly Detection模型介绍 本文为对 Learning Memory-guided Normality for Anomaly Detection一文所提出的创新模型的介绍。 如图所示，该模型为对传统卷积自编码器的优化，主要模块可分为三个部分：Encoder、Memory Module和Decoder。 Network architecture Encoder and Decoder 本文在U-Net的基础上对Enc
【视频异常检测】Learning Memory-guided Normality for Anomaly Detection 论文阅读
weixin_44609958的博客
12-05 2757
我们致力于解决异常检测的问题，即在视频序列中检测异常事件。基于卷积神经网络（CNNs）的异常检测方法通常利用代理任务，比如重建输入视频帧，以在训练时学习描述正常情况的模型，而不在训练时接触异常样本，并在测试时利用重建误差来量化异常的程度。这些方法的主要缺点是它们未明确考虑正常模式的多样性，而CNNs强大的表示能力允许其重建异常视频帧。为了解决这个问题，我们提出了一种无监督学习方法来进行异常检测，明确考虑了正常模式的多样性，同时减小了CNNs的表示能力。
Learning Memory-guided Normality for Anomaly Detection 代码解析
qq_42946418的博客
11-09 3857
Learning Memory-guided Normality for Anomaly Detection 代码解析 目录 : 整体结构 训练(train)部分分析 评估(evaluate)部分分析 模型(model)部分分析 代码环境配置及运行 1.整体结构 1.1 代码文件及作用 根目录下包含 : Evaluate.py 评估代码 Train.py 模型训练代码 utils.py 负责数值运算:包含均方根差,峰值信噪比,学习率以及评估最后的准确率等. model文件夹下包含: final_f
Learning Memory-guided Normality for Anomaly Detection论文解析
qq_50156123的博客
11-11 5020
近日拜读了本篇论文，有以下理解： 1.问题研究背景 检测视频序列中的异常事件（如人行道上的车辆）的问题对监控和故障检测系统尤为重要。由于一些原因，它是极具挑战性的。首先，异常事件是根据不同的情况而确定的。也就是说，同样的活动可能是正常的，也可能是不正常的（例如，在厨房或在公园里拿刀)。在这种情况下，手动注释异常事件是劳动密集型的。其次，收集异常数据集需要大量的努力，因为异常事件在现实生活中很少发生。因此，异常检测通常被认为是一个无监督的学习问题，目的在于学习一个描述常态的模型，没有异常的样...
视频异常检测——Learning Memory-guided Normality for Anomaly Detection
shaoyue1234的专栏
11-10 1132
Learning Memory-guided Normality for Anomaly Detection文章资源问题描述思想贡献做法存在的问题思考 文章 2020.CVPR.Learning Memory-guided Normality for Anomaly Detection.pdf 资源 github homepage 问题描述 基于reconstruction的问题： 1、 do not consider the diversity of normal patterns explicitly,
MNAD:在PyTorch中“学习记忆指导的异常检测正常性”（CVPR 2020）的正式实施
05-02
PyTorch实施“学习内存指导的异常检测正常性” 这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[ ]。 依存关系 Python 3.6 PyTorch 1.1.0 脾气暴躁的 斯克莱恩 数据集 USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/ 更新 21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。 训练 训练和测试代码基于预测方法 现在，您可以基于预测和重构方法对代码进行隐含标记。 这些代码基本上是基于预测方法的，您可以轻松地将其实现为 git c
Learning Memory-guided Normality for Anomaly Detection创新点介绍
m0_52218200的博客
11-09 1213
Learning Memory-guided Normality for Anomaly Detection创新点介绍   最近，我阅读了Learning Memory-guided Normality for Anomaly Detection一文，对其中的Feature compactness和Separateness losses两种更新Memory的方法有了一些自己的看法，具体如下：   （注：以下内容仅做科学研究） 1 更新视频帧的方法   在进行异常检测时，通常会面临在大量数据中判断出少部分的异
Learning Memory-guided Normality for Anomaly Detection阅读笔记
weixin_43540533的博客
03-19 617
Learning Memory-guided Normality for Anomaly Detection阅读笔记 Abstract 我们解决异常检测的问题，即检测视频序列中的异常事件。 传统上，异常检测方法，通过重建输入的视频帧来学习正常情况的模型，训练时没有异常样本，测试时使用重建误差来量化异常的程度。 这些方法的主要缺点就是没有考虑正常样本的多样性，CNNs的能力太强，对于输入是异常的视频帧样本，也能重建的像异常视频帧，从而导致重建误差较小，无法区分异常数据。为了解决这个问题，提出一种无监督的异常检
Learning Memory-guided Normality for Anomaly Detection论文解读
weixin_52154046的博客
12-03 1735
基于卷积神经网络CNN的异常检测方法的主要缺点是没有明确考虑正常样本的多样性和CNN的强大表示能力能很好重构异常视频帧。为此本文提出了一种带有更新方案的内存模块，模块中的item能够记录正常数据的原型模式。还提出了新的特征紧凑性和分离性损失来训练内存，提高了内存item和从正常样本中深度学习特征的辨别能力。在标准基准上的实验结果证明了本文方法的有效性和高效性。
CVPR2020(Learning Memory-guided Normality for Anomaly Detection)论文代码复现
qq_47298236的博客
09-06 441
视频异常检测算法CVPR2020(Learning Memory-guided Normality for Anomaly Detection)论文代码复现
【视频异常检测-论文阅读】Learning Not to Reconstruct Anomalies
小菜鸡的学习记录
09-15 866
为了缓解上面提到的问题，我们提出了一种新的方法来训练AEs，目标是只重建正常数据，而不管输入（即正常或异常）。 一种基于伪异常的新方法，该方法只鼓励正常数据重建，以在OCC设置中训练AEs 提出两种类型的伪异常，基于patch and skip frame，以模拟异常
【2020年3月】计算机视觉/图像处理方向最新论文速递
Tiger数学之家的博客
04-09 2221
[检测分类相关]： 【1】 Supervised and Unsupervised Detections for Multiple Object Tracking in Traffic Scenes: A Comparative Study 交通场景中多目标跟踪的有监督和无监督检测的比较研究 作者：Hui-Lee Ooi, Nicolas Saunier 备注：Accepted for ICIAR...
CVPR2020目标检测等论文汇总：代码 / 论文解读 / 打包下载
热门推荐
极市平台的技术博客
06-12 1万+
本文为极市平台公众号编辑整理，未经授权，不得二次转载。 原文链接：CVPR2020 检测类论文最全汇总：136 篇论文方向细分 / 代码 / 论文解读 / 打包下载 本周三，CVPR官方正式开放下载，极市第一时间将所有论文（共1467篇）进行了下载打包，详情见**此处。为了方便大家进一步的学习，我们对这1467篇论文进行了整理，本次分享的是所有检测类论文，并将它们细分为3D目标检测、人脸检测、动作检测、视频目标检测、文本检测、行人检测**等方向，同时附上了相关解读和已开源论文的代码，共计149篇，并将其.
Dense attention-guided cascaded network for salient object detection of strip steel surface defects
最新发布
03-22
<think>好的，我现在需要处理用户关于“密集注意力引导的级联网络在带钢表面缺陷显著目标检测中的应用”的查询。首先，用户想了解相关的实现或研究论文。我需要先回忆一下是否有相关的论文，特别是结合了密集注意力和级联网络的结构用于工业检测的场景。 首先，带钢表面缺陷检测属于工业视觉检测的一部分，这类任务通常需要高精度的分割或检测模型。显著目标检测（Salient Object Detection, SOD）在这里的应用可能是为了突出缺陷区域，便于后续处理。而密集注意力机制可能用于增强模型对细微缺陷特征的捕捉能力，级联网络可能逐步细化检测结果。 接下来，我需要查找是否有论文直接提到“Dense Attention-Guided Cascaded Network”在带钢缺陷检测中的应用。根据我的知识库，可能没有完全匹配的标题，但可能有类似的方法。例如，有些论文可能使用密集连接和注意力机制结合的结构，或者级联网络用于多阶段处理。例如，CVPR或IEEE Transactions on Industrial Informatics上的相关论文可能涉及这些技术。 然后，考虑到用户提供的引用[1]是2019年CVPR的ELKPPNet，虽然它主要针对语义分割，但可能使用了类似的大核金字塔池化，这可能与注意力机制或级联结构有共通之处。不过，用户的问题更关注密集注意力和级联网络，因此可能需要寻找其他文献。 可能的思路是，先指出目前没有完全匹配的论文，但提供相近的研究。例如，有些工作可能在通用显著目标检测中应用了密集注意力和级联结构，而用户可以借鉴这些方法到带钢缺陷检测中。另外，工业领域的特定论文可能结合了这些技术，但名称可能不同，需要进一步挖掘。 另外，用户可能需要具体的实现细节，比如网络结构、注意力模块的设计，或者级联的方式。因此，在回答时需要建议可能的架构设计，并推荐相关的论文作为参考，同时指导用户如何将这些方法应用到自己的任务中。 还需要注意用户提到的“带钢表面缺陷”，这类数据可能具有高分辨率、小目标、缺陷区域不规则等特点，因此模型可能需要处理这些挑战。密集注意力可以帮助模型聚焦于重要区域，级联网络可能逐步从粗到细定位缺陷。 总结回答的结构：首先说明没有完全匹配的论文，但存在相关技术的研究；然后分点介绍相关论文和技术，如密集注意力模块、级联网络结构、以及在工业检测中的应用；最后建议结合这些技术进行实现，并可能给出一些架构设计的思路。</think>关于“密集注意力引导的级联网络在带钢表面缺陷显著目标检测”的具体研究论文或开源实现，目前尚未有公开的完全匹配标题的文献。不过，相关技术可参考以下方向和研究： --- ### 1. **密集注意力与级联网络的核心技术** - **密集注意力机制**：通过密集连接（Dense Connection）增强特征重用，结合注意力模块（如通道注意力、空间注意力）聚焦缺陷区域。例如，DANet（Dual Attention Network）[^2] 通过通道和空间双重注意力提升特征判别性。 - **级联网络设计**：多阶段级联结构逐步细化检测结果。例如，CascadePSPNet[^3] 通过级联金字塔池化模块优化分割边界，类似思路可用于缺陷边缘增强。 --- ### 2. **工业表面缺陷检测的适配方法** - **数据特性**：带钢表面缺陷通常呈现低对比度、小尺寸和形态多样性。解决方法包括： - 使用多尺度特征融合（如FPN结构）捕捉不同尺寸缺陷。 - 引入边缘增强模块（如Edge-aware Loss[^4]）提升缺陷边界精度。 - **相关论文参考**： - [2021-TII] 《Defect Detection in Steel Surface Using Deep Convolutional Neural Networks with Hierarchical Attention》[^5]：提出分层注意力机制，适用于工业场景。 - [2020-AAAI] 《Cascaded Partial Decoder for Real-Time Salient Object Detection》[^6]：级联解码器加速显著目标检测，可适配高分辨率图像。 --- ### 3. **实现建议** 若需自行构建模型，可参考以下架构设计： 1. **骨干网络**：选择ResNet或EfficientNet作为特征提取器。 2. **密集注意力模块**：在跳跃连接（Skip Connection）中嵌入CBAM（Convolutional Block Attention Module）[^7]。 3. **级联解码器**：设计多阶段解码器，逐步融合低层细节和高层语义信息。 4. **损失函数**：联合使用交叉熵损失和边缘感知损失，优化缺陷区域与边界。 代码片段示例（PyTorch伪代码）： ```python class DenseAttentionBlock(nn.Module): def __init__(self, in_channels): super().__init__() self.conv = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1) self.attn = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, in_channels//8, 1), nn.ReLU(), nn.Conv2d(in_channels//8, in_channels, 1), nn.Sigmoid() ) def forward(self, x): feat = self.conv(x) attn = self.attn(feat) return x + feat * attn # 密集连接与注意力加权 ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值