基于弱监督残差Transformer的工业异常检测与定位

工业异常检测(AD)近期的进展表明,在训练过程中引入少量异常样本可显著提升准确率。然而,这种提升往往以大量标注工作为代价,这对许多实际应用而言并不现实。本文提出一种新颖框架——弱监督残差Transformer(WeakREST),旨在实现高异常检测准确率的同时最小化对人工标注的依赖。首先,我们将像素级异常定位任务重新表述为块级分类问题。其次,我们引入一种称为位置快速异常残差(PosFAR)的基于残差的特征表示,能更有效地捕捉异常模式。为利用该特征,我们适配Swin Transformer以增强异常检测与定位。此外,我们提出一种弱标注方法,利用边界框和图像标签来定义异常区域。该方法建立了一种半监督学习语境,降低了对精确像素级标签的依赖。为进一步改进学习过程,我们开发了一种新颖的ResMixMatch算法,能够处理弱标签与基于残差表示之间的相互作用。在基准数据集MVTec-AD上,我们的方法取得了$83.0\%$的平均精度(AP),超越了无监督设定下先前最佳的$82.7\%$。在有监督AD设定下,WeakREST达到了$87.6\%$的AP,优于先前最佳的$86.0\%$。值得注意的是,即便使用边界框等更弱的标注,WeakREST也超越了依赖像素级监督的领先方法,在MVTec-AD上以$87.1\%$的AP优于先前最佳的$86.0\%$。