CADIC：基于增量核心集的时间持续异常检测
计算机视觉与模式识别
2025-11-13 v1 人工智能
摘要
时间持续异常检测（CAD）的主要目标是在动态数据分布假设下学习新任务的正常模式，同时缓解灾难性遗忘。现有基于嵌入的时间持续CAD方法不断更新包含新嵌入的记忆库以适应顺序任务。然而，这些方法需要为每个任务构建特定类的子记忆库，这限制了其灵活性和可扩展性。为解决这一限制，我们提出了一种新的CAD框架，其中所有任务共享统一的记忆库。在训练期间，该方法在固定大小的核心集中逐步更新嵌入，使其能够从顺序任务中持续获取知识，而无需任务特定的记忆碎片化。在推理阶段，通过最近邻匹配机制计算异常得分，实现了最先进的检测准确率。我们通过MVTec AD和Visa数据集上的全面实验对该方法进行了验证。结果表明，我们的方法在现有基线方法上表现更优，平均图像级别AUROC得分分别为0.972（MVTec AD）和0.891（Visa）。值得注意的是，在一个真实世界的电子纸数据集上，它Demonstrates 100%异常样本检测准确率，确认了其在实际场景中的鲁棒性。该实现将在GitHub上开源。
引用
@article{arxiv.2511.08634,
title = {CADIC: Continual Anomaly Detection Based on Incremental Coreset},
author = {Gen Yang and Zhipeng Deng and Junfeng Man},
journal= {arXiv preprint arXiv:2511.08634},
year = {2025}
}
备注
12 pages, 8 figures