AnomalyNCD: 面向工业场景的新型异常类发现
计算机视觉与模式识别
2025-03-28 v2
摘要
最近，多类异常分类受到广泛关注。以往方法直接对异常进行聚类，往往因缺乏异常先验知识而难以实现。获取该知识面临两个问题：异常不突出以及弱语义异常。在本文中，我们提出AnomalyNCD，一个与不同异常检测方法兼容的多类异常分类网络。为解决异常不突出的问题，我们设计主元素二值化（MEBin）以获取异常中心图像，确保学习异常的同时避免错误检测的影响。接下来，为学习弱语义异常，我们设计基于掩码的表示学习，聚焦于由掩码引导的孤立异常，并通过纠正后的伪标签减少来自错误输入的干扰。最后，为实现区域和图像水平的灵活分类，我们开发了区域合并策略，基于分类后的异常区域确定整体图像类别。我们的方法在MVTec AD和MTD数据集上均优于当前最先进的工作。与当前方法相比，AnomalyNCD结合零样题异常检测方法，在MVTec AD上实现F1得分提升10.8%、NMI提升8.8%、ARI提升9.5%，在MTD上分别实现F1得分提升12.8%、NMI提升5.7%、ARI提升10.8%。代码已公开于 https://github.com/HUST-SLOW/AnomalyNCD。
引用
@article{arxiv.2410.14379,
title = {AnomalyNCD: Towards Novel Anomaly Class Discovery in Industrial Scenarios},
author = {Ziming Huang and Xurui Li and Haotian Liu and Feng Xue and Yuzhe Wang and Yu Zhou},
journal= {arXiv preprint arXiv:2410.14379},
year = {2025}
}
备注
Accepted at CVPR2025