DeSTSeg：基于分割引导去噪师生网络的异常检测
计算机视觉与模式识别
2023-03-22 v2
摘要
视觉异常检测是计算机视觉中的重要问题，通常被构建为一类分类与分割任务。师生（S-T）框架已被证明能有效解决该挑战。然而，先前基于 S-T 的工作仅经验性地对正常数据施加约束并融合多级信息。在本研究中，我们提出一种称为 DeSTSeg 的改进模型，其将预训练教师网络、去噪学生编码器-解码器与分割网络集成于同一框架。首先，为加强对异常数据的约束，我们引入去噪过程，使学生网络学习更鲁棒的表示。通过合成损坏的正常图像，我们训练学生网络以匹配同一未损坏图像的教师网络特征。其次，为自适应融合多级 S-T 特征，我们训练一个由合成异常掩码提供丰富监督的分割网络，实现了大幅性能提升。在工业检测基准数据集上的实验表明，我们的方法取得了最优性能：图像级 AUC 为 98.6%，像素级平均精度为 75.8%，实例级平均精度为 76.4%。
引用
@article{arxiv.2211.11317,
title = {DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection},
author = {Xuan Zhang and Shiyu Li and Xi Li and Ping Huang and Jiulong Shan and Ting Chen},
journal= {arXiv preprint arXiv:2211.11317},
year = {2023}
}
备注
Accepted by CVPR 2023