面向边缘设备的高效持续学习视觉异常检测
计算机视觉与模式识别
2025-03-05 v1 人工智能
摘要
视觉异常检测（VAD）是计算机视觉中具有众多实际应用的关键任务。然而，在受限计算和内存资源的边缘设备上部署这些模型 presents significant挑战，包括受限的计算和内存资源。此外，现实环境中数据分布的动态性 necessitate持续模型适应，进一步复杂化了在有限资源下的部署。为此，我们提出了一种针对边缘设备上视觉异常检测持续学习（CLAD）的新颖研究。我们评估了STFPM方法，由于其在边缘设备上的低内存占用，显示出良好的性能当与Replay方法结合时。此外，我们提出研究一种近期提出的方法PaSTe，专为边缘设备设计，尚未在持续学习背景下探索。我们的结果表明，PaSTe不仅是STFPM的轻量版本，还实现了超越的异常检测性能，通过Replay技术实现像素级F1分数提升10%。特别是，PaSTe的结构使我们能够测试一系列压缩回放技术，通过压缩回放技术将内存开销降低最高可达91.5%。我们的研究证明了在资源受限的边缘设备上部署能够适应和学习CLAD场景的VAD模型的可行性。
引用
@article{arxiv.2503.02691,
title = {Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection},
author = {Manuel Barusco and Lorenzo D'Antoni and Davide Dalle Pezze and Francesco Borsatti and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2503.02691},
year = {2025}
}