网站建设乐云seo,网站开发兼容性,外链网站大全,h5网站用什么软件做工业异常检测在业界和学界都一直是热门#xff0c;近期其更是迎来了全新突破#xff1a;与大模型相结合#xff01;让异常检测变得更快更准更简单#xff01; 比如模型AnomalyGPT#xff0c;它克服了以往的局限#xff0c;能够让大模型充分理解工业场景图像#xff0c;判…工业异常检测在业界和学界都一直是热门近期其更是迎来了全新突破与大模型相结合让异常检测变得更快更准更简单 比如模型AnomalyGPT它克服了以往的局限能够让大模型充分理解工业场景图像判断其中是否含有异常部分并指出异常位置各项指标都实现了SOTA同时也成为了发论文的新坑 为了让大家能够紧跟领域前沿找点自己的创新点我给大家整理了107篇必读顶会对所有异常检测的方法进行了梳理原文和代码都有主要涉及大模型、有监督、无监督、小样本等等。
大模型工业异常检测 1.Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection【LLM相关】 简述这篇论文提出了一种创新的工业异常检测方法。该方法通过整合视觉专家知识构建了一个大型多模态模型旨在提高异常检测的准确性和效率。论文详细阐述了模型的构建过程以及其在工业异常检测中的应用。通过该模型研究人员能够充分利用多模态数据并结合视觉专家的经验有效识别出工业生产中的异常情况。 2.Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-world Applications 【SAM相关】 简述这篇论文深入探讨了Segment Anything ModelSAM在不同现实世界应用中的表现。研究发现尽管SAM在多个任务中展现出了强大的分割能力但并非在所有情况下都能达到完美效果。论文详细分析了SAM在不同场景下的挑战和局限性揭示了其在处理复杂图像和场景时的困难。此外论文还提出了一些改进SAM的建议以期在未来的研究中进一步提升其性能。 无监工业督异常检测 3.Revisiting Reverse Distillation for Anomaly Detection【基于特征嵌入的方法
】 简述这篇论文重新审视了反向蒸馏在异常检测中的应用。论文指出传统的知识蒸馏方法在处理异常检测任务时存在局限性而反向蒸馏通过改变蒸馏的方向和机制为异常检测提供了新的解决方案。论文详细分析了反向蒸馏的原理和优势并探讨了其在异常检测中的适用性和效果。通过实验验证论文证明了反向蒸馏在异常检测中的有效性并为其在实际应用中的推广提供了有力支持。 4.RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection 【基于重构的方法】 简述这篇论文介绍了一种创新的特征选择网络RealNet它结合了真实合成异常的概念用于异常检测任务。RealNet通过生成具有逼真异常的样本解决了传统异常检测方法中真实与合成数据之间的鸿沟问题。该网络包含三个关键组件强度可控扩散异常合成SDAS、异常感知特征选择AFS和重建残差选择RRS这些组件共同协作以提高异常检测的性能。通过SDAS生成具有不同异常强度的样本AFS选择具有代表性和区分性的预训练特征子集而RRS则用于全面识别多个粒度级别上的异常区域。实验结果表明RealNet在多个基准数据集上取得了显著的改进为异常检测领域提供了新的突破。 有监督工业异常检测 5.Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection 简述这篇论文主要探讨了开集监督异常检测中的异常异构性学习问题。论文指出在实际应用中异常数据往往呈现出多样化的分布而传统的异常检测方法通常假设异常数据来自同一分布这限制了其在实际场景中的有效性。为了解决这一问题论文提出了一种新的方法通过学习异构异常分布来提高开集监督异常检测的准确性。这种方法利用有限的异常样本进行建模并有效地区分可见异常和不可见异常。 其他方法 6.AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models【小样本工业异常检测】 简述这篇论文提出了一个新颖的工业异常检测方法该方法利用大型视觉语言模型LVLM进行异常识别。AnomalyGPT通过结合图像编码器和LVLM的预训练能力实现了对工业图像的深度理解和异常检测。论文强调了AnomalyGPT无需手动设置阈值的特点并展示了其在多回合对话和少数镜头上下文学习方面的能力。 7.PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection【零样本工业异常检测】 简述这篇论文提出了一种创新的少样本异常检测方法。该方法的核心在于仅使用正常样本学习提示prompts并以此来识别异常样本。这种方法的优势在于它克服了传统异常检测方法需要大量标注异常样本的局限性使得在异常样本稀缺的情况下也能进行有效的异常检测。 8.Set Features for Fine-grained Anomaly Detection【Logical AD】 简述论文提出了基于集合特征的细粒度异常检测方法通过提取样本集合中的关键特征实现对细微异常的精准识别和定位。该方法在多个数据集上展现出卓越性能显著提高了异常检测的准确性。
