基于预训练特征与约束自适应投影的异常检测
计算机视觉与模式识别
2022-04-26 v2
摘要
异常检测旨在将异常样本与正常样本分离，预训练网络在异常检测中颇具前景。然而，当在单类训练数据上微调时，适配预训练特征会面临模式崩溃的风险。本文提出一种称为基于预训练特征的约束自适应投影(CAP)的异常检测框架。结合预训练特征，设计了一个应用于特定输入及其 k 个最相似预训练正常表示的简单线性投影头用于特征适配，并利用改进的自注意力来挖掘单类语义特征间的内在关联。提出一种损失函数以避免潜在的模式崩溃。具体而言，它考虑了特定数据与其对应自适应正常表示之间的相似性，并引入一个将预训练空间与自适应空间略微对齐的约束项。我们的方法在语义异常检测和感知异常检测基准上取得了最先进的异常检测性能，包括在 CIFAR-100 数据集上 96.5% 的 AUROC、CIFAR-10 数据集上 97.0% 的 AUROC 以及 MvTec 数据集上 89.9% 的 AUROC。
引用
@article{arxiv.2112.02597,
title = {Constrained Adaptive Projection with Pretrained Features for Anomaly Detection},
author = {Xingtai Gui and Di Wu and Yang Chang and Shicai Fan},
journal= {arXiv preprint arXiv:2112.02597},
year = {2022}
}
备注
Accepted to IJCAI 2022 Main Track. This version includes 6 pages of main paper, 2 pages of Appendix