Tagged

이상 탐지

A collection of 4 posts

[MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1
Anomaly Detection

[MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1

Abatract 정상 데이터를 이용하여 Autoencoder(AE)을 학습하면 정상보단 비정상 데이터에 대해 더 높은 재구성 오류(reconstruction error)을 얻게 됩니다. 하지만 AE는 일반화(Generalization)가 잘 이루어진다는 특징이 있어서 비정상 데이터가 입력되어도 정상을 재구성 해야하지만 결함이 있는 부분까지 포함하여 재구성 하는 경우가 발생하게 됩니다. 이런 AE기반 이상 탐지(Anomaly
효율적인 Anomaly Detection 방법[f-AnoGAN vs MemAE]
이상 탐지

효율적인 Anomaly Detection 방법[f-AnoGAN vs MemAE]

Unsupervised Learning 방법으로 GAN을 이용한 Anomaly Detection 방법 중 Encoder을 이용한 f-AnoGAN 방법이 있습니다. 이 방법은 효율적으로 정상화 다른 결함 부분을 검출 하지만 미세한 결함은 제대로 검출하기 힘들다는 한계가 있습니다. 본 글에서는 f-AnoGAN의 특징과 그 단점에 대해 간략히 소개하고 그 해결책에 대한 내용을 간단하게 정리해보기 위한 글 입니다. 비교할 논문을
[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_2편
논문리뷰

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_2편

Anomaly Detection에 어느정도 관련된 논문이며 DGM으로 abnormal CXR이 입력으로 들어오면 정상 이미지와 비정상 영역을 분리해서 질병,질환이 있는 부분을 검출하고 시각화 할 수 있는 방법을 보여주는 논문입니다. 1편에 이어지는 내용입니다. 따라서 1편을 먼저 읽고 오시는것을 추천드립니다. 1편 보러가기 Experiments Dataset 본 논문에서 사용한 데이터는 RSNA Kaggle pneumonia detection challenge에서 사용된
[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_1편
논문리뷰

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_1편

Anomaly Detection에 어느정도 관련된 논문이며 DGM으로 abnormal CXR이 입력으로 들어오면 정상 이미지와 비정상 영역을 분리해서 질병,질환이 있는 부분을 검출하고 시각화 할 수 있는 방법을 보여주는 논문입니다. 2020년도 Medical Image Analysis에 publish된 논문이며 Impact Factor는 11.280입니다. Paper 원문: A disentangled generative model for disease decomposition in chest X-rays via