PaDiM-Anomaly-Detection-Localization-master: 非官方的“PaDiM”论文实现版本-ITADN社区

PaDiM-Anomaly-Detection-Localization-master: 非官方的“PaDiM”论文实现版本

优质

本项目为非官方PaDiM论文的代码实现，旨在提供一种高效的异常检测与定位方法，适用于图像分析领域。 PaDiM异常检测本地化大师此代码是从SPADE-pytorch项目和MahalanobisAD-pytorch项目大量借用的。要求： - Python==3.7 - pytorch == 1.5 - tqdm - scikit-learn - matplotlib 数据集：使用MVTec AD数据集进行测试结果：在MVTec上的实施结果如下所示（图像级异常检测精度ROCAUC）： | 类别 | R18-Rd100 | WR50-Rd550 | |--------|------------|------------| | 地毯 | 0.984 | 0.999 | | 网格 | 0.898 | 0.957 | | 皮革 | 0.988 | 1.0 | | 瓦 | 0.959 | 0.974 | | 木头 | 0.990 | 0.988 | | 所有纹理类别 | 0.964 | 0.984 | | 瓶子 | 0.996 | 0.998 | | 电缆 | 0.855 | 0.922 | | 胶囊 | 0.870 | 0.915 | | 榛子 | 0.841 | 0.933 | | 金属螺母| 0.974 | | 以上为模型在不同类别上的表现情况。

KPI-Anomaly-Detection: 2018年版本

优质

KPI-Anomaly-Detection: 2018年版本是一款专为监控关键性能指标(KPI)设计的数据分析工具。它能自动检测异常情况，帮助企业及时发现并解决潜在问题，提高运营效率和数据准确性。 KPI-Anomaly-Detection：这是一个关于关键性能指标（KPI）异常检测的数据集或项目，可能是在2018年的一个比赛或者研究活动中使用。AIOps是这个领域的核心概念，它指的是运用人工智能技术来优化和自动化IT运营过程，包括监控、故障诊断和性能管理等。该比赛旨在挑战参赛者利用AI和大数据分析技术识别并预测KPI的异常情况，以提升系统的稳定性和效率。描述中提到“更多细节”表明数据集包含丰富的信息，可能包括实时KPI数据、历史记录以及相关的业务背景。比赛说明涵盖了数据来源、格式、评估标准及参赛规则等。每个指标的意义和采集方法也做了详细解释，并标注了异常情况标签，这对于理解数据并构建有效的异常检测模型至关重要。该数据集被标记为dataset，适合用于训练机器学习或深度学习模型。通常包括训练集、验证集和测试集三部分：训练集用于模型的学习；验证集用来调整参数；而测试集则评估模型的泛化能力。压缩文件KPI-Anomaly-Detection-master表明这是一个开源项目，可能包含源代码、数据文件、README文档和其他相关资源。在master分支中可以找到以下内容： 1. 数据文件：包括CSV或JSON格式的KPI数据，并分为训练、验证和测试部分。 2. 代码文件：有Python脚本或Jupyter notebook用于处理数据预处理、模型构建与评估等任务。 3. README文档：提供项目介绍、数据说明及运行指南等内容。 4. 配置文件：包含设置参数和模型配置信息。 5. 结果文件：包括模型预测结果以及性能指标报告。在使用这个数据集时，需要注意以下几点： - 如何定义并识别KPI的异常？ - 有哪些特征可以用来预测异常？例如时间序列统计特性或业务指标间的相关性等。 - 使用哪些机器学习或深度学习算法进行异常检测？如Isolation Forest、Autoencoder和LSTM网络等方法。 - 应如何处理不平衡的数据集，正常情况通常远多于异常情况？ - 性能评估应选择什么标准？常见的包括精确率、召回率、F1分数以及AUC-ROC曲线等指标。 - 如何优化模型以提高预测准确性并减少误报和漏报？这个项目或数据集为IT专业人士与数据科学家提供了一个实战平台，有助于提升对大规模IT系统中KPI异常检测的理解和技术水平。通过参与此类挑战活动，可以深入研究AI在IT运维中的应用，并探索更智能、高效的解决方案。

PatchCore-Anomaly-Detection-Main.zip

优质

PatchCore-Anomaly-Detection-Main.zip包含了用于异常检测的PatchCore算法的主要代码文件。此工具利用深度学习技术识别数据中的异常模式。 “Towards Total Recall in Industrial Anomaly Detection”在MVtec数据集上排名第一的方法是基于pytorch实现的非官方源码，简称“PatchCore”。

FixMatch-pytorch：非官方的PyTorch版本实现

优质

FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。该代码仅在使用RandAugment的情况下适用于FixMatch。结果如下： CIFAR10数据集：标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集：标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。用法：通过CIFAR-10数据集的4000个标记数据来训练模型。

Anomaly Detection Dataset for AIops

优质

本数据集专为AI运维（AIops）设计，包含多种IT系统异常情况的数据样本，旨在提升机器学习模型在自动检测和预测IT运营问题中的性能与准确性。参加第一届AIops异常检测项目的数据集主要涉及KPI异常检测。该过程通过算法分析KPI的时间序列数据来判断是否存在异常行为。这一任务面临的难点包括：1. 异常发生的频率很低，实际运维场景中业务系统很少出现故障，因此可用于分析的异常数据量有限；2. 异常种类多样，由于实际业务系统的复杂性和不断更新升级，导致了各种类型的故障和相应的多样性异常情况；3. KPI表现形式各异，有的表现为周期型、稳定型或持续波动型。

GAN-Based Unsupervised Anomaly Detection

优质

本研究提出一种基于生成对抗网络（GAN）的无监督异常检测方法，通过学习数据分布来识别与正常模式不符的数据点。利用生成对抗网络进行无监督异常检测以指导标志物发现

TableNet非官方实现版

优质

TableNet非官方实现版是一款基于深度学习技术的数据表格处理工具，尽管不是官方发布版本，但其在数据提取和转换方面的功能强大且灵活，适合需要高效处理复杂表格数据的研究者和技术人员使用。 ICDAR 2019论文的非正式实施：TableNet是一种用于从扫描文档图像进行端到端表检测和表格数据提取的深度学习模型。概述： TableNet是由TCS Research年度团队在2019年提出的一种现代深度学习架构。其主要目标是通过手机或相机从扫描的表格中准确地提取信息。他们提供了一种解决方案，包括精确识别图像中的表格区域，并随后检测和提取这些表格行与列的信息。体系结构：该模型基于Long等人提出的用于语义分割的语言设计。编码器-解码器网络被用作全卷积网络（FCN）架构以进行表提取。在使用TableNet之前，需要先通过Tesseract OCR对图像进行预处理和修改。运行方法：首先安装所需的依赖项：`pip install -r requirements.txt` 然后下载Marmot数据集，并按照说明文档中的指示操作来运行模型。

mstar-bin-tool-master（官方版本）.rar

优质

MStar Bin Tool官方版是一款由MStar公司提供的专业二进制文件处理软件。它主要用于显示驱动程序和其他硬件相关的二进制文件操作，适用于从事相关技术开发与维护的专业人员。在 mstar-bin-tool-master 压缩包的基础上编写了一个批处理文件，只要按照要求将文件放在指定的文件夹下，并点击该批处理文件就可以自动解压和打包 bin 文件，非常便捷，无需再手动输入代码。

IE7.0非官方版本

优质

IE7.0非官方版本是指在微软正式发布Internet Explorer 7.0之前，由第三方开发或修改的测试版、预览版等非官方渠道发布的浏览器软件。这些版本通常用于早期发现问题并提供给用户尝试新功能和界面设计。安装IE7.0破解版：先运行压缩包里的ie7.reg文件，然后就可以开始安装了。

非官方PyTorch版本的RandAugment重现：pytorch-randaugment

优质

pytorch-randaugment是一个非官方但功能强大的PyTorch库，实现了RandAugment数据增强技术，用于提高机器学习模型在图像分类任务中的性能和泛化能力。 PyTorch-Randaugment 是 RandAugment 的非官方 PyTorch 重新实现版本。大部分代码来自其他开源项目。介绍使用 RandAugment 可以在不依赖单独代理任务的情况下，对感兴趣的数据集训练模型。通过仅调整两个超参数（N 和 M），您可以获得与 AutoAugments 性能相竞争的效果。安装方法： ``` pip install git+https://github.com/ildoonet/pytorch-randaugment ``` 用法示例： ```python from torchvision.transforms import transforms from RandAugment import RandAugment transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), # 其他转换步骤... ]) ```

是否确定退出登录?

PaDiM-Anomaly-Detection-Localization-master: 非官方的“PaDiM”论文实现版本

全部评论 (0)