DRAEM——一种用于表面异常判别训练的重建嵌入方法
计算机视觉与模式识别
2021-09-28 v2
摘要
视觉表面异常检测旨在检测显著偏离正常外观的局部图像区域。近期的表面异常检测方法依赖生成模型来准确重建正常区域并在异常上失效。这些方法仅在无异常图像上训练，且常需要手工设计的后处理步骤来定位异常，这阻碍了为特征提取优化以最大化检测能力。除重建方法外，我们将表面异常检测主要视为判别问题，并提出一种判别训练的重建异常嵌入模型（DRAEM）。所提方法学习异常图像及其无异常重建的联合表示，同时学习正常与异常样本之间的决策边界。该方法可直接定位异常，无需对网络输出进行额外的复杂后处理，并可使用简单且通用的异常模拟进行训练。在具有挑战性的 MVTec 异常检测数据集上，DRAEM 大幅优于当前最先进的无监督方法，甚至在广泛使用的 DAGM 表面缺陷检测数据集上提供接近全监督方法的检测性能，同时在定位精度上大幅优于它们。
引用
@article{arxiv.2108.07610,
title = {DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection},
author = {Vitjan Zavrtanik and Matej Kristan and Danijel Skočaj},
journal= {arXiv preprint arXiv:2108.07610},
year = {2021}
}
备注
Accepted to ICCV2021