仪器仪表学报

作者：邓诗卓，滕 达，李晓红，陈佳祺，陈东岳

单位：邓诗卓,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,,滕 达,1. 东北大学信息科学与工程学院,,李晓红,1. 东北大学信息科学与工程学院,,陈佳祺,1. 东北大学信息科学与工程学院,,陈东岳,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,

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

基金：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

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(DeepSVDD)是实现单类分类的常见方法。然而,传统DeepSVDD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,SRWSVDD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DeepSVDD容易发生球体崩塌的缺陷,使模型异常检测结果更加准确。

来源：2024年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第3期