异常聚类：将图像分组为连贯的异常类型簇
计算机视觉与模式识别
2022-10-18 v2
摘要
我们研究异常聚类，即将数据分组为连贯的异常类型簇。这不同于旨在将异常与正常数据分开的异常检测。与以对象为中心的图像聚类不同，异常聚类尤其具有挑战性，因为异常模式细微且局部。我们提出了一种简单而有效的聚类框架，使用基于块预训练的深度嵌入和现成聚类方法。我们定义图像间距离函数：每幅图像表示为嵌入的包，以加权平均嵌入的欧氏距离作为距离。权重定义包中实例（即块嵌入）的重要性，可突出缺陷区域。我们在无监督方式下计算权重，或在有标记正常数据时以半监督方式计算。大量实验研究表明，所提聚类框架及新颖距离函数相对于已有的多示例或深度聚类框架均有效。总体而言，我们的框架在 MVTec 对象与纹理类别上分别取得 0.451 和 0.674 的标准化互信息分数，并在少量标记正常数据下进一步提升（0.577, 0.669），远超基线（0.244, 0.273）或最先进深度聚类方法（0.176, 0.277）。
引用
@article{arxiv.2112.11573,
title = {Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types},
author = {Kihyuk Sohn and Jinsung Yoon and Chun-Liang Li and Chen-Yu Lee and Tomas Pfister},
journal= {arXiv preprint arXiv:2112.11573},
year = {2022}
}
备注
WACV2023