基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建...基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。展开更多
异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文...异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net(Memory Augment Based on Generative Adversarial Network),通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的 .在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.展开更多
文摘基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。
文摘异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net(Memory Augment Based on Generative Adversarial Network),通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的 .在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.
