IM-IAD：制造场景下的工业图像异常检测基准
计算机视觉与模式识别
2024-01-30 v5 人工智能
摘要
图像异常检测（IAD）是工业制造（IM）中一个新兴且至关重要的计算机视觉任务。近来已有许多先进算法被报道，但其性能在不同 IM 设定下偏差显著。我们意识到，缺乏统一的 IM 基准正阻碍着 IAD 方法在真实世界应用中的发展与使用。此外，若无统一基准，研究者难以对 IAD 算法进行分析。为解决该问题，我们首次提出一个统一的 IM 基准来评估这些算法的表现，其涵盖不同监督级别（无监督对比全监督）、学习范式（少样本、持续学习与含噪标签）以及效率（内存占用与推理速度）。随后，我们构建了全面的图像异常检测基准（IM-IAD），其在统一设定下包含七个主要数据集上的 19 种算法。IM-IAD 上的大量实验（共计 17,017 次）为 IAD 算法的重新设计或选择提供了深入见解。此外，所提 IM-IAD 基准对现有算法提出挑战，并指明未来研究方向。为促进可复现性与可及性，IM-IAD 的源代码已上传至网站 https://github.com/M-3LAB/IM-IAD。
引用
@article{arxiv.2301.13359,
title = {IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing},
author = {Guoyang Xie and Jinbao Wang and Jiaqi Liu and Jiayi Lyu and Yong Liu and Chengjie Wang and Feng Zheng and Yaochu Jin},
journal= {arXiv preprint arXiv:2301.13359},
year = {2024}
}