AnoSeg：基于自监督学习的异常分割网络
图像与视频处理
2021-10-08 v1 计算机视觉与模式识别
摘要
异常分割用于定位缺陷区域，是大规模工业制造中的重要组成部分。然而，近期多数研究聚焦于异常检测。本文提出一种新型异常分割网络（AnoSeg），可利用自监督学习直接生成准确的异常图。为实现高准确度的异常分割，所提 AnoSeg 考虑了三种新技术：基于困难增强的异常数据生成、带像素级与对抗损失的自监督学习，以及坐标通道拼接。首先，为生成正常数据的合成异常图像与参考掩码，所提方法使用困难增强来改变正常样本分布。然后，所提 AnoSeg 以自监督学习方式从合成异常数据与正常数据训练。最后，代表像素位置信息的坐标通道被拼接至 AnoSeg 的输入以考虑图像中每个像素的位置关系。估计的异常图也可用于提升异常检测性能。我们的实验表明，所提方法在 MVTec AD 数据集上优于最先进的异常检测与异常分割方法。此外，我们通过分割任务常用的交并比（IoU）度量将所提方法与现有方法比较，展示了我们的方法在异常分割上的优越性。
引用
@article{arxiv.2110.03396,
title = {AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning},
author = {Jouwon Song and Kyeongbo Kong and Ye-In Park and Seong-Gyun Kim and Suk-Ju Kang},
journal= {arXiv preprint arXiv:2110.03396},
year = {2021}
}
备注
10 pages, 17 figures