基于多任务自监督的细粒度异常检测
计算机视觉与模式识别
2022-03-18 v2
摘要
利用深度学习检测异常已成为近年来的一大挑战，并在多个领域日益展现出前景。自监督学习的引入极大助力了许多方法，包括使用简单几何变换识别任务的异常检测。然而，这些方法在细粒度问题上表现不佳，因为它们缺乏更精细的特征。我们的方法在多任务框架中结合面向高尺度形状特征的任务与面向低尺度精细特征的任务，大幅提升了细粒度异常检测性能。在多种异常检测问题上，以 AUROC 衡量，其相对误差最多降低 31%，优于当前最优方法（SOTA）。
引用
@article{arxiv.2104.09993,
title = {Fine-grained Anomaly Detection via Multi-task Self-Supervision},
author = {Loic Jezequel and Ngoc-Son Vu and Jean Beaudet and Aymeric Histace},
journal= {arXiv preprint arXiv:2104.09993},
year = {2022}
}