Long-Tailed Anomaly Detection with Learnable Class Names
异常检测（AD）在工业制造等领域非常重要，旨在识别有缺陷的图像及其缺陷位置。传统方法在多个图像类别上扩展性较差，并且需要手动定义类别名称，难以应对长尾数据分布。长尾数据分布是实际工业应用中常见的现象，其中部分类别数据样本显著少于其他类别。
AE
#TPAMI
1
#NeurIPS
1
#DDP
1
#Knowledge Distillation
1
#AAAI
1
#VLP
1
#AE
2
#ACM MM
2
#TNNLS
1
#arXiv
2
#LLM
2
#ECCV
1
#DDPM
1
#压缩/解压
1
#iForest
1
#ICDM
1
#ViT
1
#ICCV
1
#ResNet
1
#CVPR
7
#CNN
1
#MNIST
1
#PyTorch
1
#栈
3
#剪枝
1
#数组
6
#暴力
2
#链表
4
#SSM
1
#递归
1
#链表
2
#模拟
1
#滑动窗口
1
#STL
1
#二分查找
1
#medium题
11
#动态规划
2
#哈希表
6
#双指针
13
#easy题
19
Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors
异常事件通常是上下文依赖的，并且不经常发生，这使得收集足够代表性的异常事件样本以训练深度学习模型变得困难。
现有的异常点检测方法将异常检测作为离群值检测任务，在推理过程中对正常事件和异常事件分别应用一个经过正常事件训练的正态性模型，将偏离学习模型的事件标记为异常。
自动编码器（AE）模型对非分布数据的样本重建能力较差。由于训练只在正常的样本上进行，因此当出现异常时，预计AE会表现出很高的重建误差。
现有的SOTA方法依赖于昂贵的目标检测方法来提高精度，将处理带宽限制为每个GPU一个视频流，约为20-30 FPS，然而以对象为中心的视频异常探测器的处理成本太高。