基于注意力图引导与难增强的两阶段异常检测
计算机视觉与模式识别
2021-04-01 v1
摘要
异常检测是一项识别输入样本属于目标正常类分布还是异常类分布的任务。传统的基于生成对抗网络（GAN）的方法将包含前景与背景的整幅图像作为输入。然而，在这些方法中，与正常类无关的无用区域（例如无关背景）被当作正常类分布学习，从而导致误检。为缓解该问题，本文提出一种由注意力网络与异常检测 GAN（ADGAN）组成的新颖两阶段网络。注意力网络生成可指示正常类分布区域的注意力图。为生成准确的注意力图，我们基于由难增强合成的异常样本提出注意力损失与对抗性异常损失。通过将注意力图应用于图像特征图，ADGAN 从去除无用区域的正常类分布中学习，从而可大幅降低异常检测任务的难度。此外，估计的注意力图可用于异常分割，因其能区分正常与异常区域。结果表明，所提方法在广泛使用的数据集上优于最先进的异常检测与异常分割方法。
引用
@article{arxiv.2103.16851,
title = {Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation},
author = {Jou Won Song and Kyeongbo Kong and Ye In Park and Suk-Ju Kang},
journal= {arXiv preprint arXiv:2103.16851},
year = {2021}
}