Всесторонний обзор методов обнаружения аномалий изображений на основе глубокого обучения с точки зрения архитектуры нейронных сетей, функций потерь, метрик и наборов данных и т.п.
Совсем недавний и подробный обзор темы. Хотя основной упор на применении в промышленности, представляется, что методика может быть полезной для проекта.
Обзор только литературных источников по базовым критериям (type, ML model, performance metrics and their value, etc.), но очень объемлющий (более 300 ссылок)
Неплохой обзор по использованию GAN для поиска аномалий
Использование AE для поиска аномалий понятно: данные, которые плохо декодируются обученным на нормальных данных AE, - аномальны. Оказалось, что с этой задачей вполне успешно справляются и GANs.
Особенно хорошо для этой цели подходит модификация GAN, называемая BiGAN (Bidirectional GAN).
Вводные тексты по BiGAN и по их применению для поиска аномалий (блоги):
Поиск аномальных данных IACT с помощью нейронных сетей. Аномальные данные интерпретируются как вызванные первичными частицами вне рамок Стандартной модели.
Подробное описание проблемы, включая историю вопроса.
Paul Pu Liang, Amir Zadeh, Louis-Philippe Morency. Arxiv:2209.03430, Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
Ti-Pei Li and YuQian Ma, Analysis methods for results in gamma-ray astronomy, ResearchGate, in The Astrophysical Journal, August 1983
Tilman Plehna, Anja Buttera, Barry Dillona, and Claudius Krausea. Modern Machine Learning for LHC Physicists. ArXiv: 2211.01421v1
Hannes Warnhofer, Samuel T. Spencer, and Alison M.W. Mitchell.Multi-View Deep Learning for Imaging Atmospheric Cherenkov Telescopes. arXiv:2403.18516v1
Предварительная обработка данных
Mani KhuranaKunal Kumar et. al., PyMAP: Python-Based Data Analysis Package with a New Image Cleaning Method to Enhance the Sensitivity of MACE Telescope
Возможная параметризация данных HiSCORE: комбинирование временных, амплитудных и пространственных меток