LEA-Net：面向高效彩色异常检测的逐层外部注意力网络
计算机视觉与模式识别
2021-09-14 v1 机器学习
摘要
利用关于异常的先验知识是异常检测中的一个关键问题。近来，视觉注意力机制已成为提升 CNN 在一些计算机视觉任务上性能的一种有前景的方法。本文提出一种称为逐层外部注意力网络（LEA-Net）的新模型，用于高效图像异常检测。其核心思想是通过视觉注意力机制将无监督与有监督异常检测器相整合。我们的策略如下：（i）关于异常的先验知识表示为由正常样本无监督学习生成的异常图，（ii）该异常图由外部网络转换为注意力图，（iii）注意力图随后被嵌入异常检测网络的中间层。值得注意的是，这种逐层外部注意力可以以端到端训练方式应用于任意 CNN 模型。作为初步研究，我们在彩色异常检测任务上验证 LEA-Net。通过在 PlantVillage、MVTec AD 和 Cloud 数据集上的广泛实验，我们证明所提出的逐层视觉注意力机制能持续提升现有 CNN 模型的异常检测性能，即便在类别不平衡数据集上亦然。此外，我们表明我们的注意力机制成功提升了若干 CNN 模型的性能。
引用
@article{arxiv.2109.05493,
title = {LEA-Net: Layer-wise External Attention Network for Efficient Color Anomaly Detection},
author = {Ryoya Katafuchi and Terumasa Tokunaga},
journal= {arXiv preprint arXiv:2109.05493},
year = {2021}
}