基于对比微调的少样本异常检测方法COFT-AD
计算机视觉与模式识别
2024-03-01 v1
摘要
现有方法往往依赖大量无异常数据来训练表示和密度模型。然而在推断阶段可能不存在大量无异常数据,此时异常检测模型必须仅用少量正常样本进行训练,即少样本异常检测(FSAD)。本文提出了一种新方法来应对FSAD挑战,其包含两个重要技术。首先,我们采用在大型源数据集上预训练的模型初始化模型权重。其次,为缓解源域与目标域之间的协变量漂移,我们采用对比学习在少样本目标域数据上进行微调。为学习适合下游AD任务的表示,我们此外采用跨实例正样本对以鼓励正常样本紧密聚类,并使用负样本对以实现正常样本与合成负样本之间的更好分离。我们在3个受控AD任务和4个真实世界AD任务上评估了少样本异常检测,以演示所提方法的有效性。
引用
@article{arxiv.2402.18998,
title = {COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection},
author = {Jingyi Liao and Xun Xu and Manh Cuong Nguyen and Adam Goodge and Chuan Sheng Foo},
journal= {arXiv preprint arXiv:2402.18998},
year = {2024}
}
备注
IEEE Transactions on Image Processing