高效自适应选择下的多视图异常检测学习
计算机视觉与模式识别
2025-08-12 v2
摘要
本研究探索了最近提出且具有挑战性的多视图异常检测（AD）任务。单视图任务会受到其他视角的盲点，导致在样本级别预测不准确。因此，我们引入了多视图异常检测（MVAD）方法，该方法学习并整合来自多视图的特征。具体而言，我们提出了多视图自适应选择（Multi-View Adaptive Selection, MVAS）算法用于特征学习和跨视图融合。将特征图划分为邻域注意力窗口，以计算单个视图窗口与所有其他视图之间的语义相关矩阵，这是一种针对每个单个视图窗口和关联性最强的前 k 个多视图窗口的注意力机制。调整窗口大小和 top-k 可将复杂度最小化为 O((hw)^{4/3})。在多类设置下，对 Real-IAD 数据集进行大量实验，验证了我们方法的有效性，在样本/图像/像素级别实现了平均提升 2.5 的领先性能，仅使用 1800 万参数，所需的 FLOPs 和训练时间更少。代码已公开于 https://github.com/lewandofskee/MVAD。
引用
@article{arxiv.2407.11935,
title = {Learning Multi-view Anomaly Detection with Efficient Adaptive Selection},
author = {Haoyang He and Jiangning Zhang and Guanzhong Tian and Chengjie Wang and Lei Xie},
journal= {arXiv preprint arXiv:2407.11935},
year = {2025}
}
备注
IEEE TRANSACTIONS ON MULTIMEDIA