基于贪婪特征分量选择的高斯图像异常检测

图像中的异常检测（AD），即识别显著偏离正常的情况，是计算机视觉中的关键问题。本文引入一种利用预训练卷积神经网络（CNN）结合 EfficientNet 模型的 AD 降维新方法。我们探究分量选择的重要性，并提出两类树搜索方法，均采贪婪策略，用于最优特征分量选择。我们的研究开展三个主要实验以评估方法有效性：第一实验探究测试集性能对分量选择的影响，第二实验检验在一种异常类型上训练并在所有其他类型上评估时的性能，第三实验考察使用最少训练图像数并基于异常类型选择它们的影响。我们的方法旨在找到提供最高性能分数的最优分量子集，而非仅关注各分量解释的方差比例，并理解分量在不同设置下的行为。结果表明，即便使用更少分量，所提方法在检测准确率上超越主成分分析（PCA）与负主成分分析（NPCA）。因此，我们的方法为 AD 中传统降维技术提供有前景的替代方案，并有望提升 AD 系统的效率与有效性。