新模型构建了多尺度记忆模块(Multi Scale Memory Module),利用不同尺度空间的记忆单元对编码层特征进行编码,并将编码结果与解码层特征拼接,既能保留网络的浅层细节信息,又能促进正常模式的多样性.为了约束对正常事件中结构信息的学习,组合多尺度结构相似性(MS-SSIM,Multi Scale Structure Similarity Index)误差与均绝对...
基于混合融合的多模式工业异常检测 简述:这篇论文提出了一种新的多模态工业异常检测方法Multi-3D-Memory(M3DM),通过混合融合点云和RGB图像两种模态的数据,首先使用无监督特征融合和局部对比学习来增进不同模态特征的交互,然后使用决策层融合、多个记忆库和额外的新颖性分类器进行最终决策。论文还提出了点特征对齐操作来...
short-term memory,LSTM)[17]来捕捉时间依赖关系,再使用GAN建模分布来实现异常检测.在此基础上,Geiger等人[18]也提出了一种GAN与LSTM结合的时序异常检测方法,不同的是,该方法针对时序特征设计了多种重构误差计算和异常评分方法,进一步增强了模型的时序异常检测能力.上述方法都通过使用GAN学习特征分布的方式进行了异常检...
信号获取模块,用于获取待检测的目标信号; 原始时频图像生成模块,用于根据所述目标信号的时频图生成对应的原始时频图像; 重构时频图像生成模块,用于将所述原始时频图像输入预先创建的生成对抗网络,获得与所述原始时频图像对应的重构时频图像; 异常值确定模块,用于利用所述原始时频图像和所述重构时频图像确定异常值; ...
针对上述局限性,本文提出基于条件生成对抗网络—长短时记忆网络(Conditional Generative Adversarial Networks-Long Short Term Memory,CGAN-LSTM)的网络异常流量检测模型。该模型使用LSTM结构的生成器和判别器学习正常样本的数据特征,使用时间周期信息指导生成器G生成样本,最后同时使用生成器的重构误差和判别器的判别结果判别...
short-term memory,LSTM)[17]来捕捉时间依赖关系,再使用GAN建模分布来实现异常检测.在此基础上,Geiger等人[18]也提出了一种GAN与LSTM结合的时序异常检测方法,不同的是,该方法针对时序特征设计了多种重构误差计算和异常评分方法,进一步增强了模型的时序异常检测能力.上述方法都通过使用GAN学习特征分布的方式进行了异常...
简述:这篇论文提出了一种新的多模态工业异常检测方法Multi-3D-Memory(M3DM),通过混合融合点云和RGB图像两种模态的数据,首先使用无监督特征融合和局部对比学习来增进不同模态特征的交互,然后使用决策层融合、多个记忆库和额外的新颖性分类器进行最终决策。论文还提出了点特征对齐操作来更好地对齐两种模态的数据。
简述:这篇论文提出了一种新的多模态工业异常检测方法Multi-3D-Memory(M3DM),通过混合融合点云和RGB图像两种模态的数据,首先使用无监督特征融合和局部对比学习来增进不同模态特征的交互,然后使用决策层融合、多个记忆库和额外的新颖性分类器进行最终决策。论文还提出了点特征对齐操作来更好地对齐两种模态的数据。