聚焦你的分布：用于异常检测与定位的由粗到细非对比学习
计算机视觉与模式识别
2022-07-20 v2 人工智能
摘要
无监督异常检测的本质是学习正常样本的紧凑分布，并在测试中将有离群值检测为异常。同时，真实世界中的异常在高分辨率图像中通常微妙且细粒度，尤其对于工业应用。为此，我们提出一种用于无监督异常检测与定位的新框架。我们的方法旨在通过由粗到细的对齐过程从正常图像中学习密集且紧凑的分布。粗对齐阶段在图像与特征层面标准化物体的像素级位置。细对齐阶段随后在一个批次中所有对应位置间密集最大化特征相似性。为便于仅用正常图像学习，我们为细对齐阶段提出称为非对比学习的新 pretext task。非对比学习提取鲁棒且具判别性的正常图像表示，而不对异常样本做假设，从而令模型能泛化至各类异常场景。在 MVTec AD 与 BenTech AD 两个典型工业数据集上的大量实验表明，我们的框架可有效检测多种真实缺陷，并在工业无监督异常检测中达到新的 SOTA。
引用
@article{arxiv.2110.04538,
title = {Focus Your Distribution: Coarse-to-Fine Non-Contrastive Learning for Anomaly Detection and Localization},
author = {Ye Zheng and Xiang Wang and Rui Deng and Tianpeng Bao and Rui Zhao and Liwei Wu},
journal= {arXiv preprint arXiv:2110.04538},
year = {2022}
}
备注
ICME2022 oral