CL-Flow：通过对比学习增强归一化流以提升异常检测性能
信息检索
2023-11-15 v1 计算机视觉与模式识别
机器学习
摘要
在异常检测领域，异常样本的稀缺性使得当前研究重点转向无监督异常检测。尽管这些无监督异常检测方法带来了便利，但它们也忽视了异常样本中所蕴含的关键先验信息。此外，在众多深度学习方法中，有监督方法通常表现出优于无监督方法的性能。考虑到上述原因，我们提出了一种自监督异常检测方法，将对比学习与2D-Flow相结合，以实现更精确的检测结果和更快的推理过程。一方面，我们引入了一种新颖的异常合成方法，依据真实工业场景生成异常样本及其代理标注。另一方面，在获得大量异常样本后，我们通过引入对比学习来增强2D-Flow框架，利用多样化的代理任务对网络进行微调。我们的方法使网络能够从自生成标签中学习更精确的映射关系，同时保留2D-Flow的轻量级特性。与主流无监督方法相比，我们的自监督方法展现出更优的检测精度、更少的额外模型参数以及更快的推理速度。此外，整个训练与推理过程是端到端的。我们的方法展示了新的最先进结果，在MVTecAD数据集上实现了99.6%的图像级AUROC，在BTAD数据集上实现了96.8%的图像级AUROC。
引用
@article{arxiv.2311.06794,
title = {CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection},
author = {Shunfeng Wang and Yueyang Li and Haichi Luo and Chenyang Bi},
journal= {arXiv preprint arXiv:2311.06794},
year = {2023}
}
备注
6 pages,6 figures