Learning Memory-guided Normality for Anomaly Detection

最新推荐文章于 2023-12-05 20:58:29 发布
原创 最新推荐文章于 2023-12-05 20:58:29 发布 · 1.9k 阅读 · 8 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉 #Anomaly #Detection

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。

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

[异常检测] Learning Memory-guided Normality for Anomaly Detection
BENULL的博客
12-28 2638
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论文解析
qq_50156123的博客
11-11 5055
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...
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 2098
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 4716
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 1811
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 3117
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阅读笔记
weixin_43540533的博客
03-19 646
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
视频异常检测——Learning Memory-guided Normality for Anomaly Detection
shaoyue1234的专栏
11-10 1158
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,
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 1 基于重构的方法
热门推荐
要相信光
11-24 2万+
文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1 前言 在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本
Learning Memory-guided Normality for Anomaly Detection创新点介绍
m0_52218200的博客
11-09 1239
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 代码解析
qq_42946418的博客
11-09 3899
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论文解读
weixin_52154046的博客
12-03 1774
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
09-06 478
视频异常检测算法CVPR2020(Learning Memory-guided Normality for Anomaly Detection)论文代码复现
【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 2247
[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
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.
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记
lytxiaohou的博客
09-28 4588
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记学习笔记，如有谬误，还请不吝赐教！瞎BB以及不错的链接还不散，那就看文章吧，反正我也是google翻译的~1. Introduction2,3. 何为异常和新颖4. 动机和挑战5,6,7 略（嗯，博主就是这么敷衍...）8. DAD的不同方面8.1 数据性质8.2 基于标记信息8.2.1 Superv...
Learning Memory-guided Normality代码学习笔记
Pteromyini的博客
01-08 301
记忆模块核心Memory部分的核心在于以下定义Memory类的部分。class Memory(nn.Module): def __init__(self, memory_size, feature_dim, key_dim, temp_update, temp_gather): super(Memory, self).__init__() # Consta...
论文笔记：Chaotic Invariants of Lagrangian Particle Trajectories for Anomaly Detection in Crowded Scenes
Liu_LongPo的专栏
07-23 4020
【原创】Liu_LongPo 转载请注明出处 【优快云】http://blog.youkuaiyun.com/llp1992最近在关注 crowd scene方面的东西，因为某些原因需要在crowd scene上实现 anomaly detection，所以看到了这篇论文，该论文是目前在crowd scene中进行abnormal detection做的最好的，记录下笔记当做学习资料。传统的 anomal
DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection项目代码
最新发布
08-04
根据已有信息，**DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection** 是一种结合了学生-教师框架与去噪机制的异常检测方法，特别关注于语义分割引导的异常识别[^1]。该项目的核心思想是通过学生网络去噪教师网络的特征表示，并在异常输入上表现出较大的重建差异，从而实现有效的异常检测。 目前，该项目的代码尚未在主流平台（如 GitHub）上广泛传播，但可以通过以下几种方式寻找其实现： 1. **访问相关论文的发布页面**：许多研究者会在论文的项目页面或 arXiv 页面提供代码链接。可以尝试访问论文中提到的链接，例如作者的主页或机构库。 2. **GitHub 搜索**： - 使用以下关键词在 GitHub 上进行搜索： - `"DeSTSeg"` 或 `"Segmentation Guided Denoising Student-Teacher"` - `"anomaly detection student teacher segmentation"` - 高级搜索语法示例： ``` "DeSTSeg" in:name language:python ``` 3. **学术搜索引擎**： - 在 Google Scholar 或 Semantic Scholar 上搜索论文标题，并查看是否有“Code”或“Project”链接。 - 访问 [Papers with Code](https://paperswithcode.com/) 网站，搜索该论文名称，查看是否已有开源实现。 4. **社区与论坛**： - 在 [Stack Overflow](https://stackoverflow.com/)、[Reddit](https://www.reddit.com/r/MachineLearning/) 或 [Kaggle](https://www.kaggle.com/) 等平台上提问，询问是否有开发者实现过该模型。 - 在 GitHub Discussions 或相关开源项目的 Issues 中寻求帮助。 5. **复现代码**： - 如果官方代码不可得，可以尝试基于论文描述自行实现，或参考类似的学生-教师结构项目，如： - [DenseNet Student-Teacher Models](https://github.com/pytorch/vision) - [Anomaly Detection using Autoencoders](https://github.com/fastmachinelearning/VAE-AnomalyDetection) ### 示例代码结构（非官方实现） 以下是一个基于学生-教师结构的简化框架示例： ```python import torch import torch.nn as nn class Teacher(nn.Module): def __init__(self): super(Teacher, self).__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.decoder = nn.Sequential( nn.ConvTranspose2d(64, 3, kernel_size=2, stride=2), nn.Sigmoid() ) def forward(self, x): encoded = self.encoder(x) decoded = self.decoder(encoded) return encoded, decoded class Student(nn.Module): def __init__(self): super(Student, self).__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1), nn.ReLU() ) self.decoder = nn.Sequential( nn.ConvTranspose2d(64, 3, kernel_size=2, stride=2), nn.Sigmoid() ) def forward(self, x): encoded = self.encoder(x) decoded = self.decoder(encoded) return decoded # 损失函数 criterion = nn.MSELoss() teacher = Teacher() student = Student() # 假设输入为 x with torch.no_grad(): t_encoded, t_decoded = teacher(x) s_decoded = student(x) loss = criterion(s_decoded, t_decoded.detach()) loss.backward() ```
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