ADTR：基于特征重构的异常检测Transformer
计算机视觉与模式识别
2022-12-12 v3
摘要
由于异常样本匮乏，仅利用正常样本先验知识的异常检测受到更多关注。现有基于CNN的像素重构方法存在两点问题。首先，重构的源与目标为包含不可区分语义信息的原始像素值。其次，CNN倾向于较好地重构正常样本与异常，使它们仍难以区分。本文提出异常检测Transformer（Anomaly Detection TRansformer, ADTR）以应用transformer重构预训练特征。预训练特征包含可区分的语义信息。此外，transformer的采用限制了异常的良好重构，从而一旦重构失败异常便可被轻易检测。我们进一步提出新颖损失函数，使我们的方法兼容仅正常样本情形以及带有图像级与像素级标注异常的异常可用情形。通过添加简单合成或外部无关异常可进一步提升性能。在包括MVTec-AD和CIFAR-10的异常检测数据集上进行了大量实验。相较所有基线，我们的方法取得了优越性能。
引用
@article{arxiv.2209.01816,
title = {ADTR: Anomaly Detection Transformer with Feature Reconstruction},
author = {Zhiyuan You and Kai Yang and Wenhan Luo and Lei Cui and Yu Zheng and Xinyi Le},
journal= {arXiv preprint arXiv:2209.01816},
year = {2022}
}
备注
Accepted by ICONIP 2022