利用 GAN 在含噪声训练数据中进行视觉检测异常检测
计算机视觉与模式识别
2018-11-08 v2
摘要
图像数据中异常的 detection 与量化是工业场景中的关键任务，例如检测产品上的微划痕。近年来，由于定义异常的困难以及修正其标签的局限，使用生成模型的无监督异常检测研究受到关注。通常，在这些研究中，仅使用正常图像进行训练以建模正常图像的分布。该模型通过重现最相似的图像并对指示其符合所学分布程度的图像块进行评分来衡量目标图像中的异常。此方法基于一个强假设：训练后的模型不应能生成异常图像。然而，现实中模型主要由于包含微小异常像素的噪声正常数据而能够生成异常图像，并且此类噪声严重影响模型的准确性。因此，我们提出一种新颖的异常检测方法，利用已有的异常图像来扭曲模型的分布。所提方法从实际用于工业场景的 1024x1024 高分辨率图像中以高准确性检测像素级微异常。本文中，由于数据的保密性，我们分享了在公开数据集上的实验结果。
引用
@article{arxiv.1807.01136,
title = {Anomaly Detection Using GANs for Visual Inspection in Noisy Training Data},
author = {Masanari Kimura and Takashi Yanagihara},
journal= {arXiv preprint arXiv:1807.01136},
year = {2018}
}