聚焦差异:用于图像异常检测的内-外相关性学习
计算机视觉与模式识别
2023-08-08 v1
摘要
人类通过两方面识别异常:更大的块级表征差异,以及更弱的块到正常块相关性。然而,以往的异常检测(AD)方法未充分结合这两方面互补特性来设计 AD 模型。为此,我们发现 Transformer 能理想满足这两方面,因其在块级表征与块到块相关性的统一建模上具有强大能力。本文提出一种新颖 AD 框架:聚焦差异(FOcus-the-Discrepancy, FOD),其可同时捕捉异常的块级、内部与之间差异。我们方法的主要特征是革新 Transformer 中的自注意力图为内-外相关性(Intra-Inter-Correlation, I2Correlation)。I2Correlation 含双分支结构,首先显式建立图像内与图像间相关性,随后融合双分支特征以突显异常模式。为自适应学习内-外相关性,我们提出基于 RBF 核的目标相关性作为自监督学习的学习目标。此外,我们引入熵约束策略以解决优化中的模式崩溃问题,并进一步放大正常-异常可区分性。在三个无监督真实世界 AD 基准上的大量实验展示了我们方法的优越性能。代码将发布于 https://github.com/xcyao00/FOD。
关键词
引用
@article{arxiv.2308.02983,
title = {Focus the Discrepancy: Intra- and Inter-Correlation Learning for Image Anomaly Detection},
author = {Xincheng Yao and Ruoqi Li and Zefeng Qian and Yan Luo and Chongyang Zhang},
journal= {arXiv preprint arXiv:2308.02983},
year = {2023}
}
备注
Accepted by ICCV2023