我們針對不同應用所研發的三種異常檢測模型僅需正常資料來訓練。對異常事件偵測，我們訓練一個自編碼器進行前景與光流的預測，異常行為偵測使用人物姿勢的估測，預測未來的人體姿勢，兩者皆以預測的誤差為異常分數。對於影像的瑕疵檢測，我們使用不同大小的截圖，令模型萃取特徵後與正常資料比對，以計算各區域的異常分數。

"影片異常偵測：使用前景與光流，使模型可以專注於重要資訊，不受背景的影響。_x000D_
人物行為異常偵測：使用關鍵點的信心分數加權，使最初步驟取得人物關鍵點時，被遮擋的關鍵點不影響網路模型。_x000D_
圖片瑕疵檢測：多種大小的補丁使網路模型可以同時學習大範圍與小範圍的資訊，並使用多種聚類方法與

"產品的品質優劣攸關企業的競爭力，然而工廠能提供的瑕疵樣本數量有限，這會大幅降低一般深度學習分類方法的效果，因此本研究的圖片瑕疵檢測就是一個可能的解方。_x000D_
另一方面，工廠人員的異常活動可能導致生產的效率下降，甚至引發危險，因此自動化的監控系統極為重要，可以在違規行為發生時提出警示或是即時

天使投資人、策略合作夥伴