用于异常检测的连续记忆表示
计算机视觉与模式识别
2024-07-25 v3
摘要
无监督异常检测领域已取得显著进展,在该设置下仅有正常图像可用于训练。近期的一些方法旨在基于记忆进行异常检测,通过将输入与直接存储的正常特征(或用正常图像训练的特征)进行比较或重建。然而,此类基于记忆的方法运行在由最近邻或注意力机制实现的离散特征空间上,分别面临泛化能力差或恒等捷径问题(即输出与输入相同)。此外,现有大多数方法被设计用于检测单类异常,在面临多类目标时表现不佳。为解决上述所有挑战,我们提出了 CRAD,一种新型异常检测方法,通过将空间特征转换为坐标并映射到连续网格,在“连续”记忆中表示正常特征。此外,我们精心设计了专用于异常检测的网格,同时表示局部和全局正常特征并有效融合。大量实验表明,CRAD 成功实现了正常特征的泛化并缓解了恒等捷径问题;此外,得益于高粒度的连续表示,CRAD 能够在单一模型中有效处理多种类别。在使用 MVTec AD 数据集的评估中,CRAD 将多类统一异常检测的误差降低了 65.0%,显著优于先前最先进的方法。项目页面见 https://tae-mo.github.io/crad/。
引用
@article{arxiv.2402.18293,
title = {Continuous Memory Representation for Anomaly Detection},
author = {Joo Chan Lee and Taejune Kim and Eunbyung Park and Simon S. Woo and Jong Hwan Ko},
journal= {arXiv preprint arXiv:2402.18293},
year = {2024}
}
备注
Project page: https://tae-mo.github.io/crad/