| 基于球面正则化的支持向量描述视觉异常检测 |
| |
| 引用本文： | 邓诗卓,滕 达,李晓红,陈佳祺,陈东岳. 基于球面正则化的支持向量描述视觉异常检测[J]. 仪器仪表学报, 2024, 45(3): 315-325 |
| |
| 作者姓名： | 邓诗卓 滕 达 李晓红 陈佳祺 陈东岳 |
| |
| 作者单位： | 1. 东北大学信息科学与工程学院，2. 东北大学佛山研究生创新学院 |
| |
| 基金项目： | 国家自然科学基金(62202087)、广东省基础与应用基础研究基金(2024A1515010244,2021B1515120064)项目资助 |
| |
| 摘 要： | 异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。 异常检测目前受限于大规模异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。 然而,传统 Deep SVDD 在开展异常检测时往往面临球体崩塌。 针对这一问题,提出了基于球面正则化的 SVDD 异常检测算法,通过引入软间隔损失与支持向量的思想,优化模型学习流程。 进一步地,面向可标注样本,提出了基于 SVDD 的弱监督异常检测方法。 在公开数据集 MNIST 和 CIFAR-10 上进行消融和对比实验,实验证明,相比于有监督算法,在 MNIST 数据集上,SR-WSVDD 的性能提高了 3. 7% ,而在 CIFAR-10 数据集上则提高了 16. 7% 。 此外,与其他弱监督算法相比,SR-WSVDD 在 CIFAR-10 数据集上提升了 1. 8% 。 所提出的 SR-SVDD 异常检测算法,弥补 Deep SVDD 容易发生球体崩塌的缺陷,使模型异常检测结果更加准确。
|
| 关 键 词： | 计算机视觉 单类分类 弱监督学习 异常检测 自编码器 支持向量 |
Spherical regularized support vector description for visual anomaly detection |
| |
| Deng Shizhuo,Teng D,Li Xiaohong,Chen Jiaqi,Chen Dongyue. Spherical regularized support vector description for visual anomaly detection[J]. Chinese Journal of Scientific Instrument, 2024, 45(3): 315-325 |
| |
| Authors: | Deng Shizhuo Teng D Li Xiaohong Chen Jiaqi Chen Dongyue |
| |
| Affiliation: | 1. College of Information Science and Engineering, Northeastern University，2. Foshan Graduate School of Innovation, Northeastern University |
| |
| Abstract: | |
| |
| Keywords: | computer vision one-class classification weakly supervised learning anomaly detection autoencoder support vector |
|
| 点击此处可从《仪器仪表学报》浏览原始摘要信息 |
|
点击此处可从《仪器仪表学报》下载免费的PDF全文 |
|
