面向鲁棒异常检测的恢复-判别框架
计算机视觉与模式识别
2024-06-10 v1
摘要
异常检测（AD）已在最近广泛受到研究和应用，但仍存在与实际应用所需识别准确率之间的差距。本文从对两种基本且具代表性的基线模型失效案例进行深入分析，揭示了当前 AD 方法难以实现更高识别准确率的原因。具体而言，通过 Case-1，我们发现当前 AD 方法的主要劣势在于输入恢复模型的数据中包含大量需要恢复的细节特征，导致正常/异常区域未能/已被恢复到其原始状态。通过 Case-2，我们惊讶地发现，无法在图像级表示中被识别的异常区域在特征级表示中容易被识别。在上述观察基础上，我们提出一种新的恢复-判别（ReDi）框架用于 AD。ReDi 采用自生成特征图和选定提示图像作为显式输入信息，以解决 case-1 中的问题。同时，提出特征级判别网络以增强恢复表示与输入表示之间的异常差异。大量实验结果表明，在两大具有挑战性的 AD 数据集上，ReDi 实现了新的最先进准确率。
引用
@article{arxiv.2406.04608,
title = {A Recover-then-Discriminate Framework for Robust Anomaly Detection},
author = {Peng Xing and Dong Zhang and Jinhui Tang and Zechao li},
journal= {arXiv preprint arXiv:2406.04608},
year = {2024}
}
备注
17 pages, 10 figures