6 月 18 日至 22 日，计算机视觉领域顶级盛会之一国际计算机视觉与模式识别会议（CVPR 2023）将在加拿大温哥华举行。CVPR（Computer Vision and Pattern Recognition，计算机视觉与模式识别）会议是计算机视觉与模式识别、人工智能领域的国际顶级会议，是中国计算机学会（CCF）推荐的A类国际学术会议。本届会议录用率为25.78%。
来自SMU、NUS、哈佛大学、Bucharest给出了《异常检测》教程，值得关注！
本教程将全面回顾在图像和视频数据上(深度)异常检测的最新进展。将讨论三种主要的AD范式，包括无监督/自监督方法(无异常训练数据)，半监督方法(可获得少样本训练异常示例)和弱监督方法(可用于帧级检测的视频级标签)。此外，我们还将涉及异常分割任务，重点是自动驾驶设置。本教程将以关于广告挑战和机遇的小组讨论结束。
成为VIP会员查看完整内容
Recent Advances in Anomaly Detection
相关内容
在数据挖掘中，异常检测（英语：anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。
特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。
有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下，无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性）。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员