用于图像异常检测的上下文亲和蒸馏
计算机视觉与模式识别
2023-07-07 v1
摘要
以往关于无监督工业异常检测的工作主要关注裂纹与颜色污染等局部结构异常。尽管在此类异常上取得了极高的检测性能，它们却难以应对违背长程依赖的逻辑异常，例如正常物体被置于错误位置。本文在已有知识蒸馏工作基础上，提出使用两个学生网络（局部与全局）以更好地模仿教师网络行为。用于以往研究的局部学生主要关注结构异常检测，而全局学生关注逻辑异常。为 further 鼓励全局学生学习捕捉长程依赖，我们设计了全局上下文浓缩块（GCCB），并提出一种用于学生训练与异常评分的上下文亲和损失。实验结果表明，所提方法无需繁琐训练技巧，并在 MVTec LOCO AD 数据集上取得了新的 SOTA 性能。
引用
@article{arxiv.2307.03101,
title = {Contextual Affinity Distillation for Image Anomaly Detection},
author = {Jie Zhang and Masanori Suganuma and Takayuki Okatani},
journal= {arXiv preprint arXiv:2307.03101},
year = {2023}
}