用于异常检测的对比预测编码
计算机视觉与模式识别
2021-07-19 v1 机器学习
摘要
在实际部署机器学习模型时,对异常进行可靠检测至关重要,但由于缺乏标注数据,这仍然具有挑战性。鉴于对比学习在自监督表示学习场景中取得的令人印象深刻的成果,对比学习方法正日益流行以应对该挑战。然而,尽管现有大多数对比异常检测与分割方法已应用于图像,但它们均无法将对比损失直接用于异常检测与分割两者。本文通过利用对比预测编码模型(arXiv:1807.03748)弥补这一空白。我们表明其块级对比损失可直接解释为异常分数,并说明这如何用于生成异常分割掩码。所得模型在具有挑战性的 MVTec-AD 数据集上针对异常检测与分割均取得了有前景的结果。
引用
@article{arxiv.2107.07820,
title = {Contrastive Predictive Coding for Anomaly Detection},
author = {Puck de Haan and Sindy Löwe},
journal= {arXiv preprint arXiv:2107.07820},
year = {2021}
}
备注
7 pages, ICML 2021 Workshop on Uncertainty and Robustness in Deep Learning