切除与恢复：基于视觉缺陷混淆的自监督异常检测策略
计算机视觉与模式识别
2023-11-13 v2 人工智能
图像与视频处理
摘要
由于早期制造阶段异常情形稀少，广泛采用仅使用正常样本训练的无监督异常检测（UAD）方法。该方法基于这样的假设：训练好的UAD模型能准确重建正常模式，却难以处理未见异常模式。为提升UAD性能，近期研究了基于重建-修复的方法，尤其是针对疑似缺陷区域的掩码策略。然而，仍有问题尚待克服：1）因多次掩码导致推理耗时，2）随机掩码策略造成输出不一致，3）当掩码区域较大时对正常模式重建不准确。受此启发，我们提出一种新颖的基于重建-修复的方法，称为切除与恢复（EAR），其特点是基于ImageNet预训练的DINO-ViT进行单一确定性掩码并提供视觉混淆作为提示。在MVTec AD数据集上的实验结果表明，通过预训练注意力进行确定性掩码能有效切出疑似缺陷区域并解决上述问题1和2。此外，通过马赛克提供提示被证明比用二值掩码清空这些区域更能提升UAD性能，从而克服问题3。我们的方法在不改变神经网络结构的情况下实现了高UAD性能。因此，我们建议将EAR作为一种可实际部署的解决方案应用于各类制造业。
引用
@article{arxiv.2310.04010,
title = {Excision And Recovery: Visual Defect Obfuscation Based Self-Supervised Anomaly Detection Strategy},
author = {YeongHyeon Park and Sungho Kang and Myung Jin Kim and Yeonho Lee and Hyeong Seok Kim and Juneho Yi},
journal= {arXiv preprint arXiv:2310.04010},
year = {2023}
}
备注
10 pages, 5 figures, 5 tables