一种用于少样本异常检测的分层变换判别生成模型
计算机视觉与模式识别
2021-04-30 v1 机器学习
摘要
异常检测，即识别数据中异常样本的任务，通常依赖于大量的训练样本。在本工作中，我们考虑图像少样本异常检测的设置，即训练时仅给定少量图像。我们设计了一种分层生成模型，用于捕捉每幅训练图像的多尺度块分布。我们通过使用图像变换并优化尺度特定的块判别器来进一步增强模型的表示，以区分图像的真实与伪造块，以及应用于这些块的不同变换。异常分数通过跨尺度与图像区域聚合正确变换的基于块的投票获得。我们在 Paris、CIFAR10、MNIST 和 FashionMNIST 数据集的一样本与少样本设置中，以及在 MVTec 缺陷检测设置中，展示了我们方法的优越性。在所有情况下，我们的方法均优于近期的基线方法。
引用
@article{arxiv.2104.14535,
title = {A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection},
author = {Shelly Sheynin and Sagie Benaim and Lior Wolf},
journal= {arXiv preprint arXiv:2104.14535},
year = {2021}
}