一种用于多类异常检测的统一模型
计算机视觉与模式识别
2022-10-26 v3
摘要
尽管无监督异常检测发展迅速，现有方法仍需为不同对象训练单独的模型。本文提出 UniAD，以统一框架实现多类异常检测。在此极具挑战性的设定下，流行的重构网络可能陷入“恒等捷径”，即正常与异常样本均能被很好地重构，从而无法识别离群点。为克服该障碍，我们做了三点改进。首先，我们重新审视全连接层、卷积层以及注意力层的公式，并确认查询嵌入（即注意力层内）在防止网络学习捷径中的重要作用。因此我们提出逐层查询解码器以帮助建模多类分布。其次，我们采用邻域掩码注意力模块以进一步避免从输入特征到重构输出特征的信息泄漏。第三，我们提出特征抖动策略，促使模型即便在含噪输入下也能恢复正确信息。我们在 MVTec-AD 和 CIFAR-10 数据集上评估了算法，以足够大的优势超越最先进的替代方法。例如，当为 MVTec-AD 中 15 个类别学习统一模型时，我们在异常检测（从 88.1% 到 96.5%）和异常定位（从 89.5% 到 96.8%）任务上均超越第二名竞争者。代码见 https://github.com/zhiyuanyou/UniAD。
引用
@article{arxiv.2206.03687,
title = {A Unified Model for Multi-class Anomaly Detection},
author = {Zhiyuan You and Lei Cui and Yujun Shen and Kai Yang and Xin Lu and Yu Zheng and Xinyi Le},
journal= {arXiv preprint arXiv:2206.03687},
year = {2022}
}
备注
Accepted by NeurIPS 2022