基于 DRL 指导的神经网络批量采样用于半监督像素级异常检测
计算机视觉与模式识别
2025-11-26 v1
摘要
工业视觉检查中的异常检测由于缺乏损坏样本而具有挑战性。大多数现有方法仅依赖正常数据进行无监督重建，常导致过拟合且难以检测细微损伤。我们提出了一个半监督深度强化学习框架，集成了神经网络批量采样器、自动编码器和预测器。基于复合奖励的 RL 采样器通过平衡探索与开发选择具有信息性的图像块。自动编码器生成损失轮廓以突出显示异常区域，而预测器在损失轮廓空间中执行分割。这种相互作用使系统能够在有限标记数据下有效学习正常和异常模式。MVTec AD 数据集上的实验表明，我们的方法在检测细微异常方面比最新方法获得更高准确率和更好局部化，平均 F1_max 提升 0.15，AUC 提升 0.06，在最佳情况下 F1_max 可提升最高 0.37。
引用
@article{arxiv.2511.20270,
title = {DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection},
author = {Amirhossein Khadivi Noghredeh and Abdollah Safari and Fatemeh Ziaeetabar and Firoozeh Haghighi},
journal= {arXiv preprint arXiv:2511.20270},
year = {2025}
}