异常检测是要识别在某些方面与训练观察结果不同的样本。这些不符合正常数据分布的样本称为异常值或异常。在现实世界的异常检测问题中，离群值不存在，定义不当或实例非常有限。最近的最新基于深度学习的异常检测方法遭受了高计算成本，复杂性，不稳定的培训程序和非平凡的实施，因此它们很难在现实世界应用中部署。为了解决这个问题，我们利用一个简单的学习程序来训练轻量级的卷积神经网络，在异常检测中达到最先进的表现。在本文中，我们建议将异常检测作为监督回归问题。我们使用连续值的两个可分离分布标记正常和异常数据。为了补偿训练时间中异常样品的不可用，我们利用直接图像增强技术来创建一组不同的样本作为异常。增强集的分布相似，但与正常数据略有偏差，而实际异常将具有进一步的分布。因此，对这些增强样品的训练回归器将导致标签的分布更加可分离，以适应正常和真实的异常数据点。图像和视频数据集的异常检测实验显示了所提出的方法比最新方法的优越性。

异常检测是确定不符合正常数据分布的样品。由于异常数据的无法获得，培训监督的深神经网络是一项繁琐的任务。因此，无监督的方法是解决此任务的常见方法。深度自动编码器已被广泛用作许多无监督的异常检测方法的基础。但是，深层自动编码器的一个显着缺点是，它们通过概括重建异常值来提供不足的表示异常检测的表示。在这项工作中，我们设计了一个对抗性框架，该框架由两个竞争组件组成，一个对抗性变形者和一个自动编码器。对抗性变形器是一种卷积编码器，学会产生有效的扰动，而自动编码器是一个深层卷积神经网络，旨在重建来自扰动潜在特征空间的图像。这些网络经过相反的目标训练，在这种目标中，对抗性变形者会产生用于编码器潜在特征空间的扰动，以最大化重建误差，并且自动编码器试图中和这些扰动的效果以最大程度地减少它。当应用于异常检测时，该提出的方法会由于对特征空间的扰动应用而学习语义上的富裕表示。所提出的方法在图像和视频数据集上的异常检测中优于现有的最新方法。

新奇检测是识别不属于目标类分布的样本的任务。在培训期间，缺乏新颖的课程，防止使用传统分类方法。深度自动化器已被广泛用作许多无监督的新奇检测方法的基础。特别地，上下文自动码器在新颖的检测任务中已经成功了，因为他们通过从随机屏蔽的图像重建原始图像来学习的更有效的陈述。然而，上下文AutoEncoders的显着缺点是随机屏蔽不能一致地涵盖输入图像的重要结构，导致次优表示 - 特别是对于新颖性检测任务。在本文中，为了优化输入掩蔽，我们设计了由两个竞争网络，掩模模块和重建器组成的框架。掩码模块是一个卷积的AutoEncoder，用于生成涵盖最重要的图像的最佳掩码。或者，重建器是卷积编码器解码器，其旨在从屏蔽图像重建未受带的图像。网络训练以侵略的方式训练，其中掩模模块生成应用于给予重构的图像的掩码。以这种方式，掩码模块寻求最大化重建错误的重建错误最小化。当应用于新颖性检测时，与上下文自动置换器相比，所提出的方法学习语义上更丰富的表示，并通过更新的屏蔽增强了在测试时间的新颖性检测。 MNIST和CIFAR-10图像数据集上的新奇检测实验证明了所提出的方法对尖端方法的优越性。在用于新颖性检测的UCSD视频数据集的进一步实验中，所提出的方法实现了最先进的结果。

最新的深度神经网络模型已在受控的高分辨率面部图像上达到了几乎完美的面部识别精度。但是，当他们使用非常低分辨率的面部图像测试时，它们的性能会大大降低。这在监视系统中尤其重要，在监视系统中，低分辨率探测图像应与高分辨率图库图像匹配。超分辨率技术旨在从低分辨率对应物中产生高分辨率的面部图像。尽管它们能够重建视觉上吸引人的图像，但与身份相关的信息尚未保留。在这里，我们提出了一个具有身份的端到端图像到图像翻译的深度神经网络，该网络能够使其高分辨率的高分辨率面孔超级解决方案，同时保留与身份相关的信息。我们通过训练一个非常深的卷积编码器网络来实现这一目标，并在相应层之间具有对称收缩路径。该网络在多尺度的低分辨率条件下训练了重建和具有身份损失的结合。对我们提出的模型的广泛定量评估表明，它在自然和人工低分辨率的面部数据集甚至看不见的身份方面优于竞争超分辨率和低分辨率的面部识别方法。

背景和客观的高医学多样性一直是处方的重大挑战，在医师的决策过程中引起混乱或怀疑。本文旨在通过提供有关其他医生开处方的药物的信息，并弄清楚除所讨论的一种药物外还推荐了哪些其他药物，以开发一种称为推荐的药物推荐系统，以帮助医生进行高血压处方。方法有两个步骤开发的方法：首先，采用了协会规则挖掘算法来查找医学协会规则。第二步需要图形挖掘和聚类，以通过ATC代码提供丰富的建议，该建议本身包括多个步骤。首先，初始图是根据历史处方数据构建的。然后，在第二步中进行数据修剪，此后，由普通医生酌情裁定具有高重复率的药物。接下来，将药物与称为ATC代码的著名医学分类系统相匹配，以提供丰富的建议。最后，DBSCAN和Louvain算法在最后一步中群集药物。结果作为系统的输出，提供了推荐药物的清单，医生可以根据患者的临床症状选择一种或多种药物。仅使用与高血压药物有关的2级药物用于评估系统的性能。从该系统获得的结果已由该领域的专家进行了审查和确认。