利用生成对抗网络在图像上检测异常
计算机视觉与模式识别
2022-11-28 v1 图像与视频处理
摘要
自动检测行李安检中的武器或威胁物体等异常，或工业制造中的缺陷品，是一项对效率和精度要求很高的计算机视觉任务。异常检测任务中可用数据大多不平衡，因为正类/异常样本数量稀少。数据的不足使得训练用于异常检测的深度神经网络架构具有挑战性。本文提出一种基于生成对抗网络（GAN）的新型异常检测模型。它使用正常（非异常）图像学习正常性，并据此检测输入图像是否包含异常/威胁物体。所提模型使用具有密集卷积跳跃连接的编码器-解码器网络生成器以增强重建并捕获数据分布。采用自注意力增强的判别器，其能够检查即便在遥远区域中细节特征的一致性。我们使用谱归一化以促进GAN的稳定且改善的训练。实验在三个数据集上进行，即CIFAR-10、MVTec AD（工业应用）和SIXray（X射线行李安检）。在MVTec AD和SIXray数据集上，我们的模型分别取得了最高21%和4.6%的提升。
引用
@article{arxiv.2211.13808,
title = {Detecting Anomalies using Generative Adversarial Networks on Images},
author = {Rushikesh Zawar and Krupa Bhayani and Neelanjan Bhowmik and Kamlesh Tiwari and Dhiraj Sangwan},
journal= {arXiv preprint arXiv:2211.13808},
year = {2022}
}