图像异常检测中有监督与无监督深度学习方法的比较
计算机视觉与模式识别
2021-07-21 v1 机器学习
图像与视频处理
摘要
图像中的异常检测对所有行业的许多应用都起着重要作用，例如医疗中的疾病诊断或制造中的质量保证。人工检查图像若在单调重复的时间段内延长，非常耗时且可能导致异常被忽略。人工神经网络已在简单、重复性任务上证明非常成功，在某些情况下甚至超越人类。因此，在本文中我们研究不同的深度学习方法，包括有监督和无监督学习，用于应用于质量保证用例的异常检测。我们利用 MVTec 异常数据集并开发了三种不同模型：用于有监督异常检测的 CNN、用于自编码器异常检测的 KD-CAE、用于噪声诱导异常检测的 NI-CAE，以及用于生成重建图像的 DCGAN。通过实验，我们发现 KD-CAE 在异常数据集上比 CNN 和 NI-CAE 表现更好，而 NI-CAE 在 Transistor 数据集上表现最佳。我们还实现了 DCGAN 用于创建新训练数据，但由于计算限制以及缺乏对外推 AnoGAN 机制的拓展，我们仅将自己限制在基于 GAN 的图像生成上。我们得出结论：无监督方法在图像异常检测中更强大，尤其是在仅有少量异常数据可用或数据未标注的设置中。
引用
@article{arxiv.2107.09204,
title = {A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images},
author = {Vincent Wilmet and Sauraj Verma and Tabea Redl and Håkon Sandaker and Zhenning Li},
journal= {arXiv preprint arXiv:2107.09204},
year = {2021}
}
备注
8 pages, for FML