探索一类分类用于异常检测的优化目标
计算机视觉与模式识别
2023-08-28 v2 人工智能
摘要
一类分类（OCC）是一种用于异常检测的长期方法。借助预训练骨干网络强大的表征能力，OCC 方法取得了显著的性能提升。通常，大多数此类 OCC 方法采用迁移学习来增强预训练骨干网络特征的判别性，从而取得卓越效果。尽管当前多数方法侧重于特征迁移策略，我们认为 OCC 方法中的优化目标空间也可能是影响性能的潜在关键因素。本工作中，我们对 OCC 的优化目标进行了深入探究。通过严谨的理论分析与推导，我们揭示了一个关键见解：任何具有合适范数的空间都可作为超球面中心的等价替代，且无需依赖训练样本的分布假设。进一步，我们给出了确定 OCC 优化目标范数可行域的准则。这一新见解催生了一种简单且数据无关的深度一类分类方法。我们的方法十分简洁，仅以单个 1x1 卷积层作为可训练投影器，并以任意具有合适范数的空间作为优化目标。大量实验验证了我们的发现及相应方法的可靠性和有效性，并在一类分类以及工业视觉异常检测与分割任务中取得了最先进的性能。
引用
@article{arxiv.2308.11898,
title = {Exploring the Optimization Objective of One-Class Classification for Anomaly Detection},
author = {Han Gao and Huiyuan Luo and Fei Shen and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2308.11898},
year = {2023}
}
备注
15 paegs, 10 figures