用于工业异常检测的非对称师生网络
机器学习
2022-10-19 v2 人工智能
计算机视觉与模式识别
摘要
工业缺陷检测通常通过异常检测(AD)方法解决,其中可能产生的缺陷数据不可用或仅不完整可用。本工作发现了师生方法用于AD的先前未知问题,并提出了一种解决方案,其中训练两个神经网络对无缺陷训练样本产生相同输出。师生网络的核心假设是,由于异常在训练中缺失,两个网络输出之间的距离对异常更大。然而,先前方法受师生架构相似性影响,导致异常处距离过小而不理想。为此,我们提出非对称师生网络(AST)。我们训练一个用于密度估计的归一化流(normalizing flow)作为教师,以及一个常规前馈网络作为学生,以触发异常处的大距离:归一化流的双射性迫使教师输出对异常相对于正常数据产生发散。在训练分布之外,学生因其根本不同的架构而无法模仿这种发散。我们的AST网络补偿了归一化流错误估计的似然,而该归一化流在先前工作中被另用于异常检测。我们表明,我们的方法在 currently 最相关的两个缺陷检测数据集 MVTec AD 和 MVTec 3D-AD 上,就 RGB 与 3D 数据的图像级异常检测产生了最先进(state-of-the-art)结果。
引用
@article{arxiv.2210.07829,
title = {Asymmetric Student-Teacher Networks for Industrial Anomaly Detection},
author = {Marco Rudolph and Tom Wehrbein and Bodo Rosenhahn and Bastian Wandt},
journal= {arXiv preprint arXiv:2210.07829},
year = {2022}
}
备注
accepted to WACV 2023