异常检测 异常检测的Pytorch实现，可检测到工业数据集中的非正常图像 它只有简单的图层，但是如果您要查看mvtec纸，请单击。 实际上，我在mvtecAD上无法很好地工作，因为我认为在微调阶段会找到自动阈值。 因此，仅手动修复阈值即可实现此代码。 那是周。 Tensorflow版本 MVTEC Tensorflow实现是在上面链接的mvtec论文中实现的。 简单的CNN模型（自动编码器） 对抗变式自动编码器 先决条件 Linux或macOS python3 + 火炬0.4+ 安装 git clone https://github.com/CY-Jeong/anomaly-detection-mvtec.git cd anomaly-detection-mvtec PIP用户，PIP pip install -r requirements.txt Conta用户， conda e

使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

使用OECC进行OOD检测 该存储库包含纸的的基本代码。 在2021年被Neurocomputing接受为Journal文章。 1.什么是具有信心控制的异常值暴露（OECC）？ 是一种技术，可帮助深度神经网络（DNN）学习如何区分分布内（OOD）数据和分布外（OOD）数据，而无需访问OOD样本。 已经证明该技术可以推广到新的分布。 为了了解如何区分分布内样本和分布外样本，OECC通过在softmax层的输出端产生均匀分布来使DNN对于OOD样本具有高度不确定性。 同时，它还可以对分布样本进行预测，其平均置信度接近其训练精度，即控制其置信度。 在图像和文本分类任务中，使用OE进行OOD检测时，总体OECC损失函数要优于以前的SOTA结果。 此外，我们在中通过实验表明，通过将OECC与SOTA后训练方法（如或结合用于OOD检测，可以在OOD检测任务中获得SOTA结果。 2.可视化OECC背

时间序列异常检测 该存储库包含Sanket Mishra，Varad Kshirsagar，Rohit Dwivedula和Chittaranjan Hota题为“基于注意力的Bi-LSTM用于时间序列数据异常检测”的论文的开源代码。 型号图 * 提议的模型与现有和先前的最新模型的比较 根据平均F分数： 数据集 我们的模型 深度防盗 工作组 AdVec 天际线 NumentaTM 努门塔 KNN CAD HTM Java 人工无异常 0 0 0 0 0 0 0 0 0 人工的异常 0.402 0.156 0.013 0.017 0.043 0.017 0.012 0.003 0.017 realAdExchange 0.214 0.132 0.026 0.018 0.005 0.035 0.040 0.024 0.034

监控视频中的真实世界异常检测：Pytorch RE实施 该存储库是使用pytorch重新实现的“监视视频中的真实世界异常检测”。 重新实施的结果是，与相比，我们获得了更高的AUC。 数据集 下载以下数据并解压缩到您的$ DATA_ROOT_DIR下。 / workspace / DATA / UCF-Crime / all_rgbs 目录树 DATA/ UCF-Crime/ ../all_rgbs ../~.npy ../all_flows ../~.npy train_anomaly.txt train_normal.txt test_anomaly.txt test_normal.txt 训

瑕疵检测代码-matlab 使用可变自动编码器-VAE进行异常检测 在化学材料，衣物和食品材料等的运输检查中，有必要检测正常产品中的缺陷和杂质。 在以下链接中，我共享了仅使用图像进行训练的，使用CAE来检测和定位异常的代码。 在此演示中，您可以学习如何将变式自动编码器（VAE）应用于此任务而不是CAE。 VAE使用潜在空间上的概率分布，并从该分布中采样以生成新​​数据。 要求 MATLAB版本应为R2019b及更高版本 用法 EN_VAE_Anomalydetection.mlx ・显示如何用英语训练VAE模型的示例 JP_VAE_Anomalydetection.mlx ・显示如何用日语训练VAE模型的示例 参考 自动编码变数贝叶斯[2013] Diederik P Kingma，Max Welling 版权所有2019-2020 The MathWorks，Inc.

自动编码器异常检测 使用自动编码器检测mnist数据集中的异常 说明 异常被定义为偏离标准，很少发生并且不遵循其余“模式”的事件。只有在我们的类标签中存在巨大的不平衡这一事实，问题才会复杂化。要完成此任务，自动编码器使用两个组件：编码器和解码器。编码器接受输入数据并将其压缩为潜在空间表示形式。 解码器然后尝试从潜在空间重构输入数据，当以端到端的方式训练时，网络的隐藏层将学习强大且甚至能够对输入数据进行去噪的滤波器。用一个数字，并告诉它如下重建： 我们希望自动编码器在重建数字方面做得非常好，因为这正是自动编码器受过训练的工作-如果我们要查看输入图像和重建图像之间的MSE，我们会发现现在让我们假设我们给自动编码器提供了一张大象的照片，并要求它重建它： 由于自动编码器以前从未见过大象，更重要的是从未接受过重建大象的训练，因此我们的MSE很高，如果重建的MSE很高，那么我们可能会有异常值。 数

美达斯 这是一种实现-边缘流异常检测，但是在Go中实现。 有关其工作原理的更多信息，请查看部分。 使用与安装 检出examples文件夹以获取详细说明 import ( "github.com/steve0hh/midas" "fmt" ) func main () { src := [] int { 2 , 2 , 3 , 3 , 5 , 5 , 7 , 11 , 1 , 2 } dst := [] int { 3 , 3 , 4 , 4 , 9 , 9 , 73 , 74 , 75 , 76 } times := [] int { 1 , 1 , 2 , 2 , 2 , 2 , 2 , 2 , 2 , 2 } // using function to score the edges midasAnormScore := midas . Midas ( src , dst

DBSCAN异常检测 这是一种受DBScan算法启发的简单算法，但由于DBScan是随机启动的，因此适用于按顺序分析数据。 使用的数据集是一些Yahoo公开数据集，其中包含有关给定时间的Yahoo服务器的信息。 例如，在夜间，由于可能没有活动的用户，服务器的负载较少，但是在白天，由于用户处于活动状态，服务器的负载可能非常大。 主要目标是防止和识别系统异常。 该算法接收三个参数：需要训练的数据集，epsilon和minPts。 在本示例中，将minPts与值1一起使用是因为存在一个单一维度，并且算法从点到点移动并测量其值之间的距离。 最重要的参数是epsilon，因为它是算法测量新的簇或保持当前簇的阈值，当算法测量两个连续点之间的欧几里得距离时。 存在在线学习，因为当算法训练数据时，他能够同时识别出哪些点异常，因此它知道如何处理随机数据。 最具挑战性的部分是找到epsilon的最佳值

Sphere-Magnetic-Anomaly 〇、说明 文件夹 Sphere -> 球体正演程序 Cylinder -> 圆柱体正演程序 Up -> 向上延拓程序 Conversion -> 分量转换程序 Demo -> 演示程序 grd文件 各个grd文件分别是对应异常数据，可以用surfer打开查看。 报告压缩包 密码为班号 下载文件 点击文件可以直接查看内容，想要下载单个文件可以点开文件后选择右上角RAW。 也可以打包下载，点击右侧Download Zip。 一、球体、圆柱体磁异常正演 球体参数 地磁场：T=50000nT 磁倾角：I=60° 位置：(0,0,-30) 半径：R=10m 埋深：D=30m 磁化率：k=0.2（SI） 剖面磁化强度水平投影夹角：A′=0 圆柱体参数 位置：(0,0,-30) 球体半径：R=10m 球体埋深：D=30m 磁化率：k=0.2 二、向上延拓