CFA：基于耦合超球面的特征自适应用于面向目标异常定位
计算机视觉与模式识别
2022-06-10 v1 机器学习
摘要
长期以来，异常定位在工业中得到了广泛应用。以往研究侧重于近似正常特征的分布，而未对目标数据集进行自适应。然而，由于异常定位需精确区分正常与异常特征，缺乏自适应可能导致异常特征的正常性被高估。因此，我们提出基于耦合超球面的特征自适应（CFA），利用适配目标数据集的特征实现精细的异常定位。CFA 由（1）一个可学习的块描述子，用于学习并嵌入面向目标的特征，以及（2）一个与目标数据集大小无关的可扩展记忆库组成。并且，CFA 采用迁移学习来提高正常特征密度，从而通过将块描述子和记忆库应用于预训练 CNN 来清晰区分异常特征。所提方法在定量与定性上均优于以往方法。例如，在 MVTec AD 基准上，其异常检测 AUROC 达 99.5%，异常定位达 98.5%。此外，本文指出了预训练 CNN 中偏置特征的负面影响，并强调了适配目标数据集的重要性。代码公开于 https://github.com/sungwool/CFA_for_anomaly_localization。
引用
@article{arxiv.2206.04325,
title = {CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization},
author = {Sungwook Lee and Seunghyun Lee and Byung Cheol Song},
journal= {arXiv preprint arXiv:2206.04325},
year = {2022}
}