基于预训练网络的全无监督视觉检测数据精炼
计算机视觉与模式识别
2022-02-28 v1 人工智能
机器学习
摘要
异常检测近期在视觉检测领域取得重大进展。更具体地说，在深度预训练神经网络提取的特征上应用经典离群点检测技术，已被证明在 MVTec 异常检测（MVTec AD）数据集上取得卓越性能。然而，与大多数其他异常检测策略一样，这些预训练方法假设所有训练数据均为正常样本。因此，它们不能被视为完全无监督的。据我们所知，尚无研究在这些预训练方法的全无监督设定下进行考察。在本工作中，我们首先使用受污染训练集（即包含缺陷样本）评估这些预训练方法对全无监督环境的鲁棒性，并表明与 CutPaste 等方法相比，这些方法对污染更具鲁棒性。随后我们提出 SROC，一种用于单类分类的简单精炼策略。SROC 能够从训练集中移除大部分受污染图像，并恢复部分损失的 AUC。我们进一步表明，我们的简单启发式方法可与现有文献中复杂得多的策略竞争，甚至优于它们。
引用
@article{arxiv.2202.12759,
title = {Data refinement for fully unsupervised visual inspection using pre-trained networks},
author = {Antoine Cordier and Benjamin Missaoui and Pierre Gutierrez},
journal= {arXiv preprint arXiv:2202.12759},
year = {2022}
}
备注
18 pages, 13 figures