面向工业异常检测的难正态样本感知模板互匹配方法
计算机视觉与模式识别
2024-12-11 v5
摘要
异常检测器广泛用于工业制造中以检测和定位查询图像中的未知缺陷。这些检测器在无非异常样本上训练，并已成功将异常与大多数正常样本区分开。然而，难正态样本分散且与大多数正常样本相距甚远，因此常被现有方法误判为异常。为解决此问题，我们提出难正态样本感知模板互匹配（HETMM），一种构建鲁棒基于原型的决策边界的高效框架。具体而言，HETMM 采用所提出的仿射不变模板互匹配（ATMM）来减轻仿射变换与易正态样本带来的影响。通过在查询与模板集之间的块级搜索空间内互匹配像素级原型，ATMM 能准确区分难正态样本与异常，实现低误报与漏检率。此外，我们还提出 PTS 来压缩原始模板集以加速。PTS 选取簇中心与难正态样本以保留原始决策边界，使这一微小集合能达到与原始集合相当的性能。大量实验表明 HETMM 优于 SOTA 方法，同时使用 60 张的微小集合可在 Quadro 8000 RTX GPU 上达到有竞争力的性能与实时推理速度（约 26.1 FPS）。HETMM 无需训练，并可通过直接向模板集插入新样本进行热更新，从而能及时解决工业制造中的一些增量学习问题。
引用
@article{arxiv.2303.16191,
title = {Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection},
author = {Zixuan Chen and Xiaohua Xie and Lingxiao Yang and Jianhuang Lai},
journal= {arXiv preprint arXiv:2303.16191},
year = {2024}
}
备注
This paper is recently accepted in the International Journal of Computer Vision (IJCV). Please see our code at https://github.com/NarcissusEx/HETMM