AnomalousPatchCore: 探索异常样本在工业异常检测中的应用
计算机视觉与模式识别
2024-08-30 v2
摘要
视觉检测,即工业异常检测,是制造业中最常见的质量控制类型之一。该任务是在给定图像中识别异常的存在,例如电路板图像上的缺失元件,以便后续人工检测。尽管近年来工业异常检测激增,但大多数异常检测方法仍仅利用来自正常样本的知识,未能利用频繁可用的异常样本中的信息。此外,它们严重依赖于在常见图像分类数据集上预训练的非常通用的特征提取器。在本文中,我们解决了这些缺陷,提出了新的异常检测系统 AnomalousPatchCore~(APC),该系统基于使用正常和异常的域内样本微调的特征提取器,以及用于识别异常特征的后续记忆库。为了微调 APC 中的特征提取器,我们提出了三个辅助任务,分别解决异常检测的不同方面(分类与定位),并减轻正常与异常样本之间不平衡的影响。我们在 MVTec 数据集上的广泛评估表明,APC 在检测异常方面优于 SOTA 系统,鉴于后续的人工检测,这在工业异常检测中尤为重要。在详细的消融研究中,我们进一步调查了 APC 的属性。
引用
@article{arxiv.2408.15113,
title = {AnomalousPatchCore: Exploring the Use of Anomalous Samples in Industrial Anomaly Detection},
author = {Mykhailo Koshil and Tilman Wegener and Detlef Mentrup and Simone Frintrop and Christian Wilms},
journal= {arXiv preprint arXiv:2408.15113},
year = {2024}
}
备注
Accepted at the 2nd workshop on Vision-based InduStrial InspectiON (VISION) @ ECCV