通过类别无关的配准学习实现小样本异常检测
计算机视觉与模式识别
2024-10-10 v2
摘要
大多数现有的异常检测（AD）方法需要为每个类别建立一个专用模型。尽管这种范式取得了有希望的结果，但计算成本高且效率低，因此无法满足实际应用的需求。受人类检测异常方式的启发（通过将查询图像与已知的正常图像进行比较），本文提出了一种新颖的小样本异常检测（FSAD）框架。利用来自不同类别的正常图像训练集，将旨在对齐相同类别正常图像的配准作为代理任务，用于自监督的类别无关表示学习。在测试时，提供一张图像及其对应的支持集（由来自同一类别的少量正常图像组成），通过比较测试图像的配准特征与其对应支持图像特征来识别异常。这种设置使模型能够泛化到新的测试类别。据我们所知，这是第一个无需为新类别进行模型微调的 FSAD 方法：使得单个模型可以应用于所有类别。大量实验证明了所提方法的有效性。特别地，它在 MVTec 和 MPDD 基准测试上分别将当前最先进的 FSAD 性能提升了 11.3% 和 8.3%。源代码可在 https://github.com/Haoyan-Guan/CAReg 获取。
引用
@article{arxiv.2406.08810,
title = {Few-Shot Anomaly Detection via Category-Agnostic Registration Learning},
author = {Chaoqin Huang and Haoyan Guan and Aofan Jiang and Ya Zhang and Michael Spratling and Xinchao Wang and Yanfeng Wang},
journal= {arXiv preprint arXiv:2406.08810},
year = {2024}
}
备注
Accepted by TNNLS 2024