CutPaste：用于异常检测与定位的自监督学习
计算机视觉与模式识别
2021-04-12 v1
摘要
我们旨在构建一种高性能缺陷检测模型，可在无异常数据的情况下检测图像中未知的异常模式。为此，我们提出一种仅使用正常训练数据构建异常检测器的两阶段框架。我们首先学习自监督深度表示，然后在学到的表示上构建生成式单类分类器。我们通过将正常数据从 CutPaste（一种将图像块剪切并粘贴到大图像随机位置的简单数据增强策略）中分类来学习表示。我们在 MVTec 异常检测数据集上的实证研究表明，所提算法具有通用性，能够检测各类真实世界缺陷。当从零开始学习表示时，我们将先前最优方法的 AUC 提升了 3.1。通过在 ImageNet 上预训练的表示进行迁移学习，我们达到了新的最优水平 96.6 AUC。最后，我们将框架扩展为从图像块学习和提取表示，从而能够在训练时无标注地定位缺陷区域。
引用
@article{arxiv.2104.04015,
title = {CutPaste: Self-Supervised Learning for Anomaly Detection and Localization},
author = {Chun-Liang Li and Kihyuk Sohn and Jinsung Yoon and Tomas Pfister},
journal= {arXiv preprint arXiv:2104.04015},
year = {2021}
}
备注
Published at CVPR 2021. The first two authors contributed equally