CAINNFlow：基于卷积块注意力模块与可逆神经网络流的无异常检测与定位方法
计算机视觉与模式识别
2022-12-16 v7 人工智能
摘要
物体异常检测在工业过程中至关重要，但由于难以获取大量缺陷样本且现实中的异常类型不可预测，无监督异常检测与定位尤为重要。在现有无监督异常检测与定位方法中，基于归一化流（NF）的方案已取得较好结果。然而，NF中的两个子网络（复杂函数） 和 通常为多层感知机，需要将输入的视觉特征从2D展平为1D，破坏了特征图中的空间位置关系并丢失了空间结构信息。为保留并有效提取空间结构信息，本研究设计了一种在堆叠的 全卷积中交替嵌入CBAM的复杂函数模型，能够在归一化流模型中保留并有效提取空间结构信息。在MVTec AD数据集上的大量实验结果表明，以CNN和Transformer骨干网络作为特征提取器时，CAINNFlow达到了先进的准确率和推理效率，并且在MVTec AD异常检测中取得了 的像素级AUC。
引用
@article{arxiv.2206.01992,
title = {CAINNFlow: Convolutional block Attention modules and Invertible Neural Networks Flow for anomaly detection and localization tasks},
author = {Ruiqing Yan and Fan Zhang and Mengyuan Huang and Wu Liu and Dongyu Hu and Jinfeng Li and Qiang Liu and Jinrong Jiang and Qianjin Guo and Linghan Zheng},
journal= {arXiv preprint arXiv:2206.01992},
year = {2022}
}