少样本部件分割揭示工业异常检测的组合逻辑
计算机视觉与模式识别
2024-04-16 v2 人工智能
机器学习
摘要
逻辑异常（Logical Anomalies, LA）指违反潜在逻辑约束的数据，例如图像中组件的数量、排列或构成。准确检测此类异常需要模型通过分割对各种组件类型进行推理。然而，语义分割的像素级标注既耗时又昂贵。尽管已有一些先前的少样本或无监督共部件分割算法，但它们在处理工业物体图像时往往失效。这些图像中的组件具有相似的纹理和形状，精确区分极具挑战性。在本研究中，我们引入了一种用于 LA 检测的新型组件分割模型，该模型利用少量标记样本和共享逻辑约束的未标记图像。为确保未标记图像间分割的一致性，我们结合使用直方图匹配损失与熵损失。鉴于分割预测的关键作用，我们提出通过三个记忆库（类别直方图、组件构成嵌入和补丁级表示）捕捉视觉语义的关键方面，以增强局部和全局样本的有效性检测。为实现有效的 LA 检测，我们提出了一种自适应缩放策略，以在推理阶段标准化来自不同记忆库的异常分数。在公共基准 MVTec LOCO AD 上的大量实验表明，我们的方法在 LA 检测中达到了 98.1% 的 AUROC，而竞争方法仅为 89.6%。
引用
@article{arxiv.2312.13783,
title = {Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection},
author = {Soopil Kim and Sion An and Philip Chikontwe and Myeongkyun Kang and Ehsan Adeli and Kilian M. Pohl and Sang Hyun Park},
journal= {arXiv preprint arXiv:2312.13783},
year = {2024}
}
备注
Accepted in AAAI2024