工业视觉异常检测框架 目录 语境 该存储库包含与我们的异常检测框架相关的代码，该框架使用针对在我们的污点状噪声损坏的图像上训练的自动编码器。 全文可在，并将很快在ICPR2020上发表。 下面的插图概述了使用我们的方法（AESc +染色）在MVTec AD某些样本上获得的异常检测结果。 方法概述 在这项工作中，我们解决了工业应用中图像异常检测的问题。 我们的方法基于经过训练的自动编码器，可以将任意图像（即有或没有任何缺陷）映射到干净图像（即无任何缺陷）。 通过这种方法，可以通过以下方法发现缺陷： （通常）一种基于残差的方法，该方法通过测量输入图像与其重建的干净版本之间的绝对差来评估异常。 （或者）基于不确定性的方法依赖于这样的直觉，即在训练过程中看不到的结构（即异常）将与更高的不确定性相关联，这可以通过MCDropout技术推断出的30个输出图像之间的差异来估算。 为了提高重建的干

使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py

matlab开发-AnomalyDetection。给定r^n中的m点（作为矩阵），通过降维和重采样找到异常值。

本系列文章将指导您完成使用AI开发功能齐全的时间序列预测器和异常检测器应用程序所需的步骤。我们的预测器/检测器将处理加密货币数据，特别是比特币。但是，在学习完本系列之后，您将能够将学到的概念和方法应用于任何性质相似的数据类型。

An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos B Ravi Kiran, Dilip Mathew Thomas, Ranjith Parakkal