异常检测

怎么全是重名

CLIP-Learning Transferable Visual Models From Natural Language Supervision最先进的计算机视觉系统被训练用于预测一组预先确定的固定物体类别。预训练完成后，自然语言可用于引用已学习的视觉概念（或描述新的概念），从而实现模型在下游任务上的零样本迁移。我们通过在30多个现有的计算机视觉数据集上进行基准测试，评估了该方法在OCR、视频动作识别、地理定位以及多种细粒度物体分类等任务中的性能表现。该模型能有效迁移到大多数任务中，且通常无需针对特定数据集进行训练，即可与完全监督的基线模型相媲美。例如，在ImageNet零样本任务中，我们无需使用其训练所用的128万个训练样本中的任何一个，便达到

怎么全是重名

PatchCorePatchCore 是 2021 年提出的工业异常检测算法，只需正常样本，通过构建“正常 Patch 特征记忆库（Memory Bank）”并在推理时做最近邻距离判断，实现高精度异常检测与定位，在 MVTec AD 上可达 99.6% AUROC。

这张生成的图像能检测吗

（论文速读）FE-CLIP：把频域信息注入 CLIP，做零样本异常检测与分割论文题目： FE-CLIP: Frequency Enhanced CLIP Model for Zero-Shot Anomaly Detection and Segmentation 中文翻译： FE-CLIP：面向零样本异常检测与分割的频率增强 CLIP 模型会议： ICCV 2025

这张生成的图像能检测吗

（论文速读）LogSAD：无需训练的结构异常与逻辑异常统一检测论文题目：Towards Training-free Anomaly Detection with Vision and Language Foundation Models（迈向基于视觉与语言基础模型的免训练异常检测）

预测性维护中的时间序列异常检测：从3sigma到Transformer上个月整理公司代码库，翻出来一个2019年写的监控脚本，就十几行：读PLC采集的温度序列，算均值和标准差，超3sigma就报警。让我有点感慨的是，这个脚本至今还在一家建材厂的窑炉车间里跑着，没出过大问题。

这张生成的图像能检测吗

（论文速读）DefectDiffu：基于一致性建模的少样本工业缺陷图像生成论文题目： Few-shot Defect Image Generation based on Consistency Modeling 中文翻译：基于一致性建模的少样本缺陷图像生成会议： ECCV 2024

（2026|IPI|我的论文投稿中，PSP 超轻量采样算法，轻量化架构探索/早融合+头压缩）LUMIN：面向工业异常检测的轻量级通用制造检测网络论文地址：https://arxiv.org/abs/2609.04775项目页面：https://github.com/pfyangcrc/LUMIN

（2026|CVPR|安大，可学习正常/异常 token，空间感知交叉注意力）VisualAD：基于 ViT 的语言无关零样本异常检测论文地址：https://arxiv.org/abs/2603.07952项目页面：https://github.com/7HHHHH/VisualAD

这张生成的图像能检测吗

（论文速读）SubspaceAD：用 PCA 子空间做 Training-Free Few-Shot 异常检测论文题目：SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling（SubspaceAD：基于子空间建模的免训练少样本异常检测）

程序员学习Chat

异常检测Anomalib库使用说明Anomalib 是由 Intel OpenVINO 团队开源的深度学习异常检测库，提供从数据加载、模型训练、推理到可视化的完整流水线。覆盖图像、视频、3D点云等多种模态的异常检测，内置25+种SOTA异常检测算法。

程序员学习Chat

计算机视觉-异常检测视觉故障检测领域的识别问题整体可以分为两大类：1)结构化故障识别：故障形态单一、明显、可语义穷尽，如部件脱落、丢失等，可以用自然语言描述完故障发生的所有情况

AI 管理后台首页信息过载治理：从指标泛滥到决策摘要的视图重构实践在一次线上故障排查中，我们发现 AI 管理后台首页堆积了超过 40 个监控指标卡片，涵盖任务总量、成功率、模型调用频次、RAG 召回率、Agent 工具触发数、MCP 心跳状态等维度。运维人员面对突发告警时，无法在 30 秒内定位核心异常点，最终通过临时切到日志平台才完成根因分析。这一现象暴露了当前 AI 管理后台普遍存在的信息架构问题：数据丰富但决策贫瘠。

Node2Vec 从理论到工程：图嵌入驱动的文件系统异常检测实战摘要：Node2Vec 作为图表示学习的经典算法，通过有偏随机游走策略在节点的局部结构与全局角色之间取得精妙平衡。本文将从随机游走的数学原理出发，深入剖析 Alias Method O(1) 采样、Skip-gram 负采样训练等核心机制，并结合文件系统异常检测的真实工程场景，完整呈现 Node2Vec 的理论体系、训练流程与落地实践。特别地，我们将揭示"共享图嵌入 + 相邻文件相似度"的检测设计哲学，以及如何通过时序边构建和 MAD 鲁棒评分函数提升检测精度。

（2026|成电，超图，图文融合和对齐，高阶推理/将异常显式地推理为语义-结构一致性的违反）H2VLR：用于少样本异常检测的异构超图视觉语言推理论文地址：https://arxiv.org/html/2604.14507v1项目页面：“论文接收后开源”

Coovally AI模型快速验证

无人机拍叶片→AI找缺陷：CEA-DETR改进RT-DETR做风电叶片表面缺陷检测，mAP50达89.4%风电叶片长期暴露在高空环境中，裂纹、烧蚀、剥落、锈蚀等表面缺陷不仅影响发电效率，严重时还会导致叶片断裂。无人机巡检替代了人工高空作业，但拍回来的图像仍然需要高效的检测模型来自动识别缺陷。问题在于：叶片缺陷尺度差异大、边缘信息模糊、背景纹理复杂，通用检测模型往往精度不足。

quetalangtaosha

Anomaly Detection系列（CVPR2025 TAO论文解读）Track Any Anomalous Object: A Granular Video Anomaly Detection Pipeline

异常检测算法详解：从“何为异常”到“如何发现”“什么是正常，什么又是异常？”这不仅是数据分析师面对一堆数据点时的疑问，在某种程度上，也是一个哲学命题。在机器的世界里，异常检测的本质，就是为这个模糊的命题赋予可计算、可操作的答案。其目标简洁而深刻：在看似规律的海量数据中，自动识别那些显著偏离预期模式、行为或结构的罕见实例。

quetalangtaosha

Anomaly Detection系列（CVPR2025 Odd-One-Out论文解读）Odd-One-Out: Anomaly Detection by Comparing with Neighbors

quetalangtaosha

Anomaly Detection系列（CVPR2025 DeCo-Diff论文解读）Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection

Coovally AI模型快速验证

YOLO训练可以偷懒？Anti-Forgetting Sampling跳过已学会的图片加速收敛导读论文信息一、每轮看所有图片真的必要吗？二、AFSS：学习充分性度量+三级分类+持续复习学习充分性度量：取弱项而非取平均