用于异常检测的属性复原框架
计算机视觉与模式识别
2020-12-15 v3
摘要
随着深度神经网络的近期进展，多媒体中的异常检测在计算机视觉界受到广泛关注。尽管基于重建的方法近来在异常检测中展现出良好前景，但重建任务中输入与监督之间的信息等价性无法有效迫使网络学习语义特征嵌入。本文我们提出通过从原始数据中擦除选定属性来打破该等价性，并将其重新表述为一个复原任务，其中正常与异常数据预期可基于复原误差区分。通过迫使网络复原原始图像，与擦除属性相关的语义特征嵌入由网络学习得到。在测试阶段，由于异常数据是用从正常数据学到的属性进行复原，其复原误差预期会较大。大量实验表明，所提方法在多个基准数据集上显著优于若干现有最优方法，尤其在ImageNet上，将性能最佳基线的AUROC提升了10.1%。我们还在真实世界异常检测数据集MVTec AD与视频异常检测数据集ShanghaiTech上评估了我们的方法。
引用
@article{arxiv.1911.10676,
title = {Attribute Restoration Framework for Anomaly Detection},
author = {Chaoqin Huang and Fei Ye and Jinkun Cao and Maosen Li and Ya Zhang and Cewu Lu},
journal= {arXiv preprint arXiv:1911.10676},
year = {2020}
}