工业场景下的异常多分类：将少样本学习迁移到新任务
计算机视觉与模式识别
2024-06-18 v1 人工智能
机器学习
摘要
在工业场景中，不仅要识别异常项目，还要对异常类型进行分类。然而，关于异常多分类的研究仍 largely未被探索。本文提出了一个新颖且宝贵的研究任务，称为异常多分类。鉴于在该任务中应用少样本学习面临训练数据有限且异常图像特征独特性等挑战，我们引入了一个结合RelationNet和PatchCore的基线模型。我们提出了一种数据生成方法，创建伪类和相应的代理任务，以弥合少样本学习在工业场景中迁移的差距。此外，我们利用对比学习来改进基线模型，显著优于直接微调ResNet。在MvTec AD和MvTec3D AD上的实验表明，我们的方法在这一新任务上表现出优异的性能。
引用
@article{arxiv.2406.05645,
title = {Anomaly Multi-classification in Industrial Scenarios: Transferring Few-shot Learning to a New Task},
author = {Jie Liu and Yao Wu and Xiaotong Luo and Zongze Wu},
journal= {arXiv preprint arXiv:2406.05645},
year = {2024}
}