面向无监督多类异常检测的统一参考表示学习
计算机视觉与模式识别
2024-07-17 v2
摘要
在多类异常检测领域，源自单类异常检测的基于重建的方法面临着众所周知的“学习捷径”挑战，即模型未能按预期学习正常样本的模式，而是选择了诸如恒等映射或人工噪声消除等捷径。因此，模型无法将真实异常重建为正常实例，导致异常检测失败。为解决此问题，我们提出了一种新颖的、基于统一特征重建的异常检测框架，称为RLR（从可学习参考表示重建特征）。与以往方法不同，RLR利用可学习的参考表示来迫使模型显式地学习正常特征模式，从而防止模型陷入“学习捷径”问题。此外，RLR将局部性约束引入可学习参考中，以促进更有效的正常模式捕获，并利用掩码可学习键注意力机制来增强鲁棒性。在15类MVTec-AD数据集和12类VisA数据集上对RLR的评估表明，在统一设定下，其性能优于当前最先进的方法。RLR的代码将公开发布。
引用
@article{arxiv.2403.11561,
title = {Learning Unified Reference Representation for Unsupervised Multi-class Anomaly Detection},
author = {Liren He and Zhengkai Jiang and Jinlong Peng and Liang Liu and Qiangang Du and Xiaobin Hu and Wenbing Zhu and Mingmin Chi and Yabiao Wang and Chengjie Wang},
journal= {arXiv preprint arXiv:2403.11561},
year = {2024}
}
备注
Accepted by ECCV 2024