ISSTAD：基于 Transformer 的增量自监督异常检测与定位方法
计算机视觉与模式识别
2023-05-02 v4 机器学习
摘要
在机器学习领域，图像数据中的异常检测与定位研究已获得广泛关注，尤其对于工业缺陷检测等实际应用。虽然现有多数方法主要使用卷积神经网络（CNN）作为主干网络架构，我们提出了一种基于 Transformer 主干网络的新方法。我们的方法采用两阶段增量学习策略。在第一阶段，我们仅在正常图像上训练掩码自编码器（MAE）模型。在后续阶段，我们应用像素级数据增强技术生成损坏的正常图像及其对应像素标签。该过程使模型学习如何修复损坏区域并分类每个像素的状态。最终，模型生成像素重建误差矩阵和像素异常概率矩阵。这些矩阵随后被组合以产生有效检测异常区域的异常评分矩阵。在与几种最先进的基于 CNN 的方法进行基准比较时，我们的方法在 MVTec AD 数据集上表现出优越性能，取得了令人印象深刻的 97.6% AUC。
引用
@article{arxiv.2303.17354,
title = {ISSTAD: Incremental Self-Supervised Learning Based on Transformer for Anomaly Detection and Localization},
author = {Wenping Jin and Fei Guo and Li Zhu},
journal= {arXiv preprint arXiv:2303.17354},
year = {2023}
}