SLSG异常检测网络

逻辑异常检测增强

基于自监督学习和自注意力图卷积的网络,通过生成式预训练和模拟异常先验来提高逻辑异常检测能力。

Minghui, Yang · 刘静 · 杨志伟 · Wu, Zhaoyang

Pattern Recognition 2024

参数信息

图像级AUROC
99.6 %
像素级AUROC
98.5 %
图像级AUROC
98.2 %

技术优势

更会抓逻辑异常

通过自注意力图卷积对图像元素间的稠密和稀疏关系进行建模,增强对违反上下文关系的逻辑异常的检测。

正常特征更紧凑

利用模拟异常样本作为伪先验,通过与模拟异常对比,更好地总结正常模式并缩小单类分类所用的超球面。

特征可分性更强

采用生成式预训练网络辅助编码器学习正常模式的嵌入和位置关系推理,从而获得更具可分性的特征表示。

应用场景