异常检测

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

这张生成的图像能检测吗

（论文速读）基于混合学习的边缘计算物联网系统操作视觉质量检测论文题目：Hybrid-Learning-Based Operational Visual Quality Inspection for Edge-Computing-Enabled IoT System（基于混合学习的边缘计算物联网系统操作视觉质量检测）

这张生成的图像能检测吗

（论文速读）MoECLIP:零射异常检测补丁专家论文题目：MoECLIP: Patch-Specialized Experts for Zero-shot Anomaly Detection（零射异常检测补丁专家）

阿钱真强道

34 Python 离群点检测：什么是离群点？为什么要做异常检测？在做数据分析时，经常会遇到这样一种情况：大多数数据都比较集中、变化也比较稳定，但其中总会出现几个“特别奇怪”的值。比如：

VisualAD: Language-Free Zero-Shot Anomaly Detection via Vision Transformer摘要零样本异常检测（ZSAD）要求在无法获取目标类别异常样本的情况下检测并定位异常。主流方法依赖于视觉-语言模型（VLM，例如 CLIP）：它们为正常和异常语义构建手工设计或可学习的提示（Prompt）集，然后计算图像-文本的相似度以进行开集判别。虽然这种范式很有效，但它依赖于文本编码器和跨模态对齐，这可能会导致训练不稳定和参数冗余。本研究重新审视了 ZSAD 中文本分支的必要性，并提出了 VisualAD，这是一个建立在视觉 Transformer（ViT）基础上的纯视觉框架。我们在冻结的主干

Python爬虫实战：数据质量治理实战 - 构建企业级规则引擎与异常检测系统！㊗️本期内容已收录至专栏《Python爬虫实战》，持续完善知识体系与项目实战，建议先订阅收藏，后续查阅更方便～㊙️本期爬虫难度指数：⭐⭐⭐ 🉐福利：一次订阅后，专栏内的所有文章可永久免费看，持续更新中，保底1000+(篇)硬核实战内容。

【论文阅读】MediCLIP: Adapting CLIP for Few-shot Medical Image Anomaly Detection论文链接：https://arxiv.org/pdf/2405.11315Code： https://github.com/cnulab/MediCLIP

Shape-Guided Dual-Memory Learning for 3D Anomaly Detection 论文精读论文地址：ICML 2023 代码地址：https://github.com/jayliu0313/Shape-Guided Shape-Guided 形状引导的 Dual-Memory Learning 双记忆学习 for 3D Anomaly Detection 面对3D异常检测

Java 大视界 -- Java 大数据在智能政务公共资源交易数据分析与监管中的应用嘿，亲爱的 Java 和大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！在《大数据新视界》和《 Java 大视界》专栏携手探索技术星河的漫漫长路中，我们一次次见证了 Java 大数据的神奇力量，领略其在不同领域绽放的独特光彩。

论文阅读-EfficientADEfficientAD是一种用于检测图像中异常特征的模型，训练过程中，仅需要正常样本。它基于教师-学生架构，提出了一种轻量级特征提取器，可以在现代 GPU 上在不到一毫秒的时间内处理图像。图1-1展示了不同的异常检测模型耗时与AUROC指标之间的对比，可以看出在速度和效果上，EfficientAD的优势都非常明显。

AnomalyDINO: Boosting Patch-based Few-shot Anomaly Detection with DINOv2主要技术创新使用尾部风险价值(tail value at risk)替代常用的最大值计算最高1%异常patch的均值：q = mean(H₀.₀₁(D)) 平衡了对异常的敏感性和对噪声的鲁棒性