[스크랩] 이상 감지(anomaly detection) 자료 모음

원문 : https://github.com/hoya012/awesome-anomaly-detection

이상 탐지란 무엇입니까?

Anomaly detection is a technique used to identify unusual patterns that do not conform to expected behavior, called outliers. Typically, this is treated as an unsupervised learning problem where the anomalous samples are not known a priori and it is assumed that the majority of the training dataset consists of “normal” data (here and elsewhere the term “normal” means not anomalous and is unrelated to the Gaussian distribution). [Lukas Ruff et al., 2018; Deep One-Class Classification]

In general, Anomaly detection is also called Novelty Detection or Outlier Detection, Forgery Detection and Out-of-distribution Detection.

Each term has slightly different meanings. Mostly, on the assumption that you do not have unusual data, this problem is especially called One Class Classification, One Class Segmentation.

and Novelty Detection and Outlier Detection have slightly different meanings. Figure below shows the differences of two terms.

Also, typically there are three types of target data. (time-series data, and image data, video data)
In time-series data, it is aimed to detect a abnormal sections. In image, video data, it is aimed to classify abnormal images or to segment abnormal regions, for example, defect in some manufacturing data.

---

<목차>

• 시계열 이상 감지
• 비디오 수준 이상 감지
• 이미지 수준 이상 감지
  • 이상 분류 대상
  • Out-Of-Distribution(OOD) 탐지 대상
  • 이상 세분화 대상

 

시계열 이상 탐지

• 시계열의 이상 감지 | [논문' 10] |[pdf]
• 시계열의 이상 탐지를 위한 장기 단기 기억 네트워크 | [에산' 15] |[pdf]
• 호스트 기반 침입 탐지 시스템 설계를 위한 LSTM 기반 시스템 호출 언어 모델링 및 강력한 앙상블 방법 | [arXiv' 16] | [pdf]
• 시계열 이상 감지; 노이즈가 많은 주기적인 데이터에서 제한된 기능과 희소한 예를 가진 비정상적인 방울 감지 | [arXiv' 17] | [pdf]
• DBMS 자동 진단을 위한 다변량 비정상 시계열의 이상 탐지 | [ICMLA' 17] |[pdf]
• 진실은 밝혀질 것입니다: 제어 시스템에 대한 은밀한 공격의 출발 기반 프로세스 수준 탐지 | [에이씨엠씨씨에스 '18] |[pdf]
• DeepAnT: 시계열에서 감독되지 않은 이상 감지를 위한 딥 러닝 접근 방식 | [IEEE 액세스' 18] |[pdf]
• Microsoft의 시계열 이상 감지 서비스 | [KDD' 19] | [pdf]
• 확률적 순환 신경망을 통한 다변수 시계열에 대한 강력한 이상 탐지 | [KDD' 19] | [pdf]
• 시계열에 대한 심층 이상 탐지 방법의 체계적인 평가 | 검토 중 |[code]
• BeatGAN: 적대적으로 생성된 시간을 사용한 비정상적인 리듬 감지 | [IJCAI 19] |[pdf]
• MIDAS: 에지 스트림의 이상 현상에 대한 마이크로클러스터 기반 감지기 | [AAAI' 20] | [pdf]|[code]
• 계층적 단일 클래스 네트워크를 사용한 시계열 이상 탐지 | [뉴립스' 20]
• 부드러움을 유도하는 순차 변이 자동 인코더로 시계열 이상 감지 | [TNLS' 20]

비디오 수준 이상 감지

• 시공간 자동 인코더를 사용한 비디오의 이상 이벤트 감지 | [ISNN' 17] |[pdf]
• 감시 비디오의 실제 이상 탐지 | [arXiv' 18] |[pdf] [project page]
• 모델링 기반 교통 감시를 위한 비지도 이상 탐지 | [CVPR 워크숍' 18] |[pdf]
• 고성능 도로 교통 이상 감지를 위한 이중 모드 차량 동작 패턴 학습 | [CVPR 워크숍' 18] |[pdf]
• 정상을 모른 채 이상 감지: 감독되지 않은 비디오 이상 이벤트 감지를 위한 2단계 접근 | [ACMMM' 18] |[link]
• 향상된 비디오 이상 감지를 위한 동작 인식 기능 | [BMVC' 19] | [pdf]
• 비디오에서 타임스탬프 인식 이상 탐지의 과제 | [CVPRW' 19] | [pdf]
• 비디오의 이상 감지를 위한 골격 궤적 학습 규칙성 | [CVPR' 19] | [pdf]
• Graph Convolutional Label Noise Cleaner: 이상 감지를 위한 플러그 앤 플레이 동작 분류기 훈련 | [CVPR'19] |[pdf]
• 이상 감지를 위한 그래프 임베디드 포즈 클러스터링 | [CVPR' 20] | [pdf]
• 종단 간 비디오 이상 감지를 위한 자체 훈련된 심층 순서 회귀 | [CVPR' 20] | [pdf]
• 이상 탐지를 위한 메모리 기반 정규성 학습 | [CVPR' 20] |[pdf]
• 비디오 이상 감지를 위한 클러스터링 기반 딥 오토인코더 | [ECCV' 20] |[pdf]
• CLAWS: 비정상적인 이벤트 감지를 위한 정규성 억제를 통한 클러스터링 지원 약한 지도 학습 | [ECCV' 20] |[pdf]
• Cloze 테스트 도움말: 비디오 이벤트 완료 학습을 통한 효과적인 비디오 이상 감지 | [ACM MM' 20] | [pdf]|[code]
• 비디오 수준 레이블을 사용한 이상 감지를 위한 자체 추론 프레임워크 | [IEEE SPL' 20] |[pdf]
• 퓨샷 장면 적응형 이상 탐지 | [ECCV' 20]
• 이상 탐지를 위한 메모리 유도 정규성 재학습 | [아르시브' 20] |[pdf]
• 강력한 시간적 특징 크기 학습을 통한 약한 감독 비디오 이상 탐지 | [ICCV' 21] | [pdf]|[code]

이미지 수준 이상 감지

하나의 클래스(이상) 분류 대상

• 고차원 분포의 지지도 추정 [ OC-SVM ] | [뉴럴컴퓨팅학회지' 01] |[pdf]
• 하나의 분류에 대한 최근 동향 조사 | [AICS' 09] | [pdf]
• 비선형 차원 축소 기능이 있는 자동 인코더를 사용한 이상 감지 | [MLSDA 워크숍' 14] |[link]
• 참신 감지 검토 | [신호 처리' 14] | [link]
• 재구성 확률을 이용한 Variational Autoencoder 기반 이상 탐지 | [서울대 디엠씨테크' 15] |[pdf]
• 딥 러닝이 포함된 선형 1등급 SVM을 사용한 고차원 및 대규모 이상 탐지 | [패턴인식' 16] |[link]
• 이상 탐지를 위한 전이 표현 학습 | [ICML' 16] |[pdf]
• Autoencoder Ensembles를 사용한 이상값 감지 | [SDM' 17] |[pdf]
• 부분 공간의 합집합에서 증명 가능한 자기 표현 기반 이상치 탐지 | [CVPR' 17] |[pdf]
• [ ALOCC ]새로운 발견을 위한 적대적으로 학습된 단일 클래스 분류기 | [CVPR' 18] | [pdf] [code]
• 단일 클래스 분류를 위한 심층 기능 학습 | [arXiv' 18] | [pdf] [code]
• 효율적인 GAN 기반 이상 탐지 | [arXiv' 18] | [pdf]
• 시각적 개체 인식을 위한 계층적 새로움 감지 | [CVPR' 18] |[pdf]
• 깊은 1급 분류 | [ICML' 18] |[pdf]
• 단일 클래스 학습 이미지 검사 시나리오를 위한 자동 인코더의 잠재 공간을 안정적으로 디코딩 | [OAGM 워크숍' 18] |[pdf]
• 가변 자동 인코더를 사용한 q-공간 참신 감지 | [arXiv' 18] | [pdf]
• GANomaly: 적대적 훈련을 통한 반 지도 이상 탐지 | [ACCV' 18] | [pdf]
• 기하 변환을 사용한 심층 이상 탐지 | [NIPS' 18] | [pdf]
• 적대적 자동 인코더를 사용한 생성적 확률적 참신 감지 | [NIPS' 18] | [pdf] [code]
• 보정된 이상 감지를 위한 손실 프레임워크 | [NIPS' 18] | [pdf]
• 분산 클러스터링 및 이상값 탐지를 위한 실용적인 알고리즘 | [NIPS' 18] | [pdf]
• 매트릭스 스케치를 통한 효율적인 이상 탐지 | [NIPS' 18] | [pdf]
• 적대적으로 학습된 이상 탐지 | [IEEE ICDM' 18] | [pdf]
• 다중 가설 예측을 통한 이상 탐지 | [ICML' 19] | [pdf]
• Capsule Net 기반의 심층 이상 탐지 방법 탐색 | [ICMLW' 19] | [pdf]
• 참신 탐지를 위한 잠재 공간 자기회귀 | [CVPR' 19] | [pdf]
• OCGAN: 제한된 잠재 표현이 있는 GAN을 사용한 단일 클래스 신규 탐지 | [CVPR' 19] | [pdf]
• 동시 인코더 훈련을 사용하여 오염된 이미지 데이터에서 이상 탐지의 감독되지 않은 학습 | [arXiv' 19] | [pdf]
• 자기 지도 학습을 사용하면 모델 견고성과 불확실성을 개선할 수 있습니다 | [뉴립스' 19] | [pdf] [code]
• Inlier Priority of Discriminative Network를 통한 효과적인 종단 간 비지도 이상값 탐지 | [뉴립스' 19] |[pdf] [code]
• 일반 데이터에 대한 분류 기반 이상 탐지 | [ICLR' 20] | [pdf]
• 비지도 이상 탐지를 위한 강력한 부분 공간 복구 계층 | [ICLR' 20] | [pdf]
• RaPP: 투영 경로를 따라 재구성된 참신함 감지 | [ICLR' 20] | [pdf]
• 블러링을 통한 참신함 감지 | [ICLR' 20] | [pdf]
• Deep Semi-Supervised 이상 탐지 | [ICLR' 20] | [pdf]
• 차등 프라이버시를 통한 강력한 이상 탐지 및 백도어 공격 탐지 | [ICLR' 20] | [pdf]
• 일반 데이터에 대한 분류 기반 이상 탐지 | [ICLR' 20] | [pdf]
• Old is Gold: Adversarially Learned One-Class Classifier Training 패러다임 재정의 | [CVPR' 20] | [pdf]
• 심층 종단 간 단일 클래스 분류기 | [IEEE TNNLS' 20] | [pdf]
• 감독되지 않은 이상 감지를 위한 심플렉스 보간 기능이 있는 미러링된 자동 인코더 | [ECCV' 20] | [pdf]
• 이상 탐지를 위한 역전파 기울기 표현 | [ECCV' 20]
• CSI: 분포 이동 인스턴스에 대한 대조 학습을 통한 참신 감지 | [뉴립스' 20] | [pdf]|[code]
• Deep Unsupervised Image Anomaly Detection: 정보 이론 프레임워크 | [arXiv' 20] | [pdf]
• 시각적 질문 응답에서 이상 감지를 위한 주의 네트워크 정규화 | [AAAI' 21] | [pdf]
• 이상 탐지를 위한 속성 복원 프레임워크 | [멀티미디어에 대한 IEEE 트랜잭션 21] | [pdf]
• 이상 탐지를 위해 사전 훈련된 심층 기능의 정규 데이터 분포 모델링 | [ICPR' 20] | [pdf]|[code]
• 1등급 신규탐지를 위한 조밀한 잠복공간에서의 차별적 다단계 재구성 | [ICPR' 20] | [pdf]
• 보간된 가우스 디스크립터를 통한 심층 1클래스 분류 | [arXiv' 21] | [pdf]|[code]
• 이상 탐지를 위한 다중 해상도 지식 증류 | [CVPR' 21] | [pdf]|[code]
• Elsa: 반 지도 이상 감지를 위한 에너지 기반 학습 | [BMVC' 21] | [pdf]|[code]

 

Out-of-Distribution(OOD) 탐지 대상 

• 신경망에서 잘못 분류되고 분포되지 않은 예를 감지하기 위한 기준선 | [ICLR' 17] |[pdf]
• [ ODIN ] 신경망에서 분포 외 이미지 감지의 신뢰성 향상 | [ICLR' 18] |[pdf]
• 분포 외 샘플 감지를 위한 신뢰도 보정 분류기 훈련 | [ICLR' 18] | [pdf]
• 신경망에서 분포 외 감지에 대한 학습 자신감 | [arXiv' 18] | [pdf]
• 다중 의미 레이블 표현을 사용한 분포 외 감지 | [NIPS' 18] | [pdf]
• 외부 샘플 및 적대적 공격을 탐지하기 위한 간단한 통합 프레임워크 | [NIPS' 18] | [pdf]
• 참신 및 이상 탐지를 위한 메트릭 학습 | [BMVC' 18] |[pdf] [code]
• 이상치 노출을 통한 심층 이상 탐지 | [ICLR' 19] | [pdf]
• ReLU 네트워크가 훈련 데이터에서 멀리 떨어진 곳에서 높은 신뢰도의 예측을 산출하는 이유와 문제를 완화하는 방법 | [CVPR' 19] | [pdf]
• Out-of-Distribution 검출을 위한 신뢰 제어를 통한 이상치 노출 | [arXiv' 19] | [pdf] [code]
• 분포 외 탐지에 대한 가능성 비율 | [뉴립스' 19] | [pdf]
• 분해 가능한 그래픽 모델을 사용한 분할표의 이상값 탐지 | [SJS' 19] | [pdf] [code]
• 가능성 기반 생성 모델을 사용한 입력 복잡성 및 분포 외 감지 | [ICLR' 20] | [pdf]
• 소프트 라벨링이 심층 신경망의 분포 외 감지에 영향을 미침 | [ICML 워크숍' 20] | [pdf]
• 일반화된 ODIN: 분포 외 데이터에서 학습하지 않고 분포 외 이미지 감지 | [CVPR' 20] | [pdf]
• 일반화된 Zero-Shot 학습을 위한 경계 기반 분포 외 분류기 | [ECCV' 20] | [pdf]
• Out-of-distribution 데이터 탐지를 위한 입증 가능한 최악의 경우 보장 | [뉴립스' 20] | [pdf]|[code]
• 유통 외 테스트의 가치: Goodhart의 법칙의 예 | [뉴립스' 20] | [pdf]
• 후회 가능성: Variational Auto-encoder에 대한 분포 외 감지 점수 | [뉴립스' 20] | [pdf]
• OOD-MAML: Few-Shot Out-of-Distribution 감지 및 분류를 위한 메타 학습 | [뉴립스' 20]
• 에너지 기반 분산 감지 | [뉴립스' 20] | [pdf]
• In-Domain 및 Out-of-Distribution 사례 간의 표현 격차 극대화를 위해 | [뉴립스' 20]
• 흐름을 정규화하는 데 분포 외 데이터를 감지하지 못하는 이유 | [뉴립스' 20] | [pdf]|[code]
• 분포 및 기능의 계층을 통한 심층 가역 네트워크의 이상 탐지 이해 | [뉴립스' 20] | [pdf]
• 심층 생성 모델을 사용한 이상값 탐지에 대한 추가 분석 | [뉴립스' 20]
• CSI: 분포 이동 인스턴스에 대한 대조 학습을 통한 참신 감지 | [뉴립스' 20] | [pdf]|[code]
• SSD: 자가 감독 이상값 감지를 위한 통합 프레임워크 | [ICLR' 21] [pdf] |[code]

감독되지 않은 이상 세분화 대상

• 혼잡한 장면에서 이상 탐지 및 위치 파악 | [티파미' 14] |[pdf]
• 희소 표현에 의한 이미지의 참신함 감지 | [IES' 14에 관한 IEEE 심포지엄] |[link]
• 컨볼루션 희소 모델로 비정상적인 구조 감지 | [IJCNN' 15] |[pdf]
• 혼잡한 장면에서 실시간 이상 감지 및 위치 파악 | [CVPR 워크숍' 15] |[pdf]
• 비정상적인 이벤트 감지를 위한 모양 및 동작의 심층 표현 학습 | [BMVC' 15] |[pdf]
• 다중 스케일 그룹 희소 모델을 사용한 스케일 불변 이상 감지 | [IEEE ICIP' 16] |[link]
• [ AnoGAN ] 마커 발견을 안내하는 생성적 적대 네트워크를 통한 비지도 이상 탐지 | [IPMI' 17] |[pdf]
• Deep-Anomaly: 혼잡한 장면에서 빠른 이상 탐지를 위한 완전 컨볼루션 신경망 | [컴퓨터비전과 영상이해학회지' 17] |[pdf]
• Convolutional Winner-Take-All Autoencoder를 사용한 이상 탐지 | [BMVC' 17] | [pdf]
• CNN 기반 자기 유사성에 의한 나노섬유 물질의 이상 감지 | [센서 17] |[pdf]
• 나노 섬유 재료의 SEM 이미지에서 결함 감지 | [IEEE 트랜스. 산업정보학' 17] |[pdf]
• Generative Adversarial Net을 이용한 영상의 이상 이벤트 탐지 | [ICIP' 17] |[link]
• 비디오에서 비지도 및 반지도 이상 탐지를 위한 딥 러닝 기반 방법 개요 | [arXiv' 18] | [pdf]
• Autoencoder에 구조적 유사성을 적용하여 감독되지 않은 결함 세분화 개선 | [arXiv' 18] |[pdf]
• GAN 및 One-Class 분류기를 사용한 위성 이미지 위변조 탐지 및 현지화 | [IS&T EI' 18] |[pdf]
• MR 이미지에서 감독되지 않은 이상 분할을 위한 심층 자동 인코딩 모델 | [arXiv' 18] |[pdf]
• AVID: Adversarial Visual Irregularity Detection | [arXiv' 18] |[pdf]
• MVTec AD - 감독되지 않은 이상 탐지를 위한 포괄적인 실제 데이터 세트 | [CVPR' 19] | [pdf]
• 망막 OCT에서 이상 탐지를 위한 해부학 분할의 인식적 불확실성 악용 | [IEEE TMI' 19] | [pdf]
• 정보가 없는 학생: 차별적 잠재 임베딩을 사용한 학생-교사 이상 탐지 | [CVPR' 20] | [pdf]
• 주의 유도 이상 감지 및 이미지의 현지화 | [ECCV' 20] | [pdf]
• 이미지에서 이상 감지를 위한 P-Net으로 구조-질감 관계 인코딩 | [ECCV' 20]
• 심층 피라미드 대응을 통한 하위 이미지 이상 감지 | [arXiv' 20] | [pdf]|[code]
• 패치 SVDD, 이상 탐지 및 세분화를 위한 패치 수준 SVDD | [arXiv' 20] | [pdf]|[code]
• 심층 기능 재구성을 통한 감독되지 않은 이상 세분화 | [뉴로컴퓨팅' 20] | [pdf]|[code]
• PaDiM: 이상 탐지 및 지역화를 위한 패치 배포 모델링 프레임워크 | [ICPR IML 워크숍' 20] | [pdf]|[code]
• 설명 가능한 딥 원 클래스 분류 | [ICLR' 21] | [pdf]|[code]
• 효율적인 비지도 이상 분할을 위한 반직교 임베딩 | [arXiv' 21] [pdf]
• 의료 영상에서 비지도 이상 탐지 및 위치 파악을 위한 제약된 대조 분포 학습 | [미카이' 21] | [pdf]|[code]
• 이상 탐지를 위한 다중 해상도 지식 증류 | [CVPR' 21] |[pdf]