基于语义瓶颈学习全局-局部对应以实现逻辑异常检测
计算机视觉与模式识别
2023-03-30 v2
摘要
本文提出一种新颖的框架，称为全局-局部对应框架（GLCF），用于带逻辑约束的视觉异常检测。视觉异常检测已在诸多现实应用中成为活跃的研究领域，如工业异常检测与医学疾病诊断。然而，多数现有方法聚焦于识别局部结构退化异常，常难以检测涉及逻辑约束的高层功能异常。为解决此问题，我们提出一种双分支方法，由用于检测结构异常的局部分支与用于检测逻辑异常的全局分支构成。为促进局部-全局特征对应，我们引入了由视觉 Transformer 实现的新型语义瓶颈。此外，我们为每个分支分别开发了特征估计网络以检测异常。所提框架在多个基准上验证，包括工业数据集 Mvtec AD、Mvtec Loco AD 与 Retinal-OCT 医学数据集。实验结果表明，我们的方法优于现有方法，尤其在逻辑异常检测方面。
引用
@article{arxiv.2303.05768,
title = {Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection},
author = {Haiming Yao and Wenyong Yu and Wei Luo and Zhenfeng Qiang and Donghao Luo and Xiaotian Zhang},
journal= {arXiv preprint arXiv:2303.05768},
year = {2023}
}
备注
Submission to IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY