面向通用 COCO-AD 基准的多类异常检测特征反演学习
计算机视觉与模式识别
2024-04-17 v1
摘要
异常检测（AD）通常侧重于工业质量检查和医疗病灶检测。然而，由于特定场景的目标限制，AD的数据规模相对较小，且与经典视觉任务（如目标检测和语义分割）相比，评估指标仍不足。为填补这一差距，本工作首先通过扩展 COCO 实现构建了一个大规模通用 COCO-AD 数据集，使不同方法在该挑战性基准上能够进行公平评估和可持续发展。此外，当前诸如 AU-ROC 等指标在简单数据集上已接近饱和，阻碍了对不同方法进行全面评估。灵感来自分割领域的指标，我们进一步提出了若干更实用的基于阈值的 AD 专用指标，即 m、mAcc、mIoU 和 mIoU-max。灵感来自 GAN 反演的高质量重构能力，我们提出了一个简单但更强大的 InvAD 框架，以实现高质量的特征重构。我们的方法在流行的 MVTec AD、VisA 以及我们新构建的 COCO-AD 数据集上，在多类无监督设置下提高了重构方法的有效性，其中仅训练一个检测模型即可检测来自不同类别的异常。大量消融实验表明了我们方法每个组件的有效性。完整代码和模型均可在 https://github.com/zhangzjn/ader 获取。
引用
@article{arxiv.2404.10760,
title = {Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark},
author = {Jiangning Zhang and Chengjie Wang and Xiangtai Li and Guanzhong Tian and Zhucun Xue and Yong Liu and Guansong Pang and Dacheng Tao},
journal= {arXiv preprint arXiv:2404.10760},
year = {2024}
}