已知异常的领域无关检测
计算机视觉与模式识别
2024-07-04 v1
摘要
工业质量检查中的异常检测始终面临一个持久障碍。在实际应用场景中,必须解决两个问题:异常数据稀疏且需要在以前未见的对象上检测相同类型的异常。当前的异常检测方法可使用稀疏的正常数据进行训练,而领域泛化方法则 enables 检测以前未见域中的对象。利用这两个观察,我们引入了稀疏类别上的领域泛化的混合任务。为介绍该任务的配套数据集,我们修改了 established MVTec AD 数据集,生成三个新数据集。除了对现有方法进行基准测试外,我们设计了两种基于嵌入的方法:Spatial Embedding MLP（SEMLP）和 Labeled PatchCore。总体而言,SEMLP 以 87.2% 的平均图像级 AUROC 成绩优于 MIRO 的 80.4%。新的公开数据集允许进一步研究以提高工业异常检测。
引用
@article{arxiv.2407.02910,
title = {Domain-independent detection of known anomalies},
author = {Jonas Bühler and Jonas Fehrenbach and Lucas Steinmann and Christian Nauck and Marios Koulakis},
journal= {arXiv preprint arXiv:2407.02910},
year = {2024}
}
备注
Accepted as extended abstract in CVPR 2024 workshop VAND 2.0