用于稳健工业异常检测的消除虚假负面配对方法
计算机视觉与模式识别
2025-01-28 v1
摘要
尽管在异常检测（AD）方面取得了显著进展，但现有检测方法对对抗攻击的鲁棒性仍是一个挑战，削弱了其在如自动驾驶等关键现实应用中的可靠性。这一问题主要源于 AD 设置，即假设训练数据仅限于一组未标记的正常样本，这使得检测器在测试时对抗异常样本十分脆弱。此外，将对抗训练作为防御措施也遇到困难，例如在缺乏标签的情况下制定有效的目标函数。AD 的理想目标函数应促进正常组和异常组之间的强大扰动，以最大化正常与异常分布之间的间隙。为解决这些问题，我们首先提出构建一个源自正常组样本的伪异常组。然后，我们证明采用对比损失进行对抗训练可作为理想的目标函数，因为它既会创建组内扰动，也会创建组间扰动。然而，我们注意到虚假负面配对会损害常规对比损失以实现稳健 AD。虚假负面配对是指本应紧密映射却被错误分离的配对。这些配对会引入噪声并误导组间对抗扰动的方向。为克服虚假负面配对的影响，我们定义反向配对并对其进行对抗性拉开，以强化组间扰动。实验结果表明，我们在干净和对抗场景中均表现出优越性能，在各种具有挑战性的基准数据集上实现了 26.1% 的稳健检测改进。本工作的实现可在：https://github.com/rohban-lab/COBRA 获取。
引用
@article{arxiv.2501.15434,
title = {Mitigating Spurious Negative Pairs for Robust Industrial Anomaly Detection},
author = {Hossein Mirzaei and Mojtaba Nafez and Jafar Habibi and Mohammad Sabokrou and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2501.15434},
year = {2025}
}
备注
Accepted at the 13th International Conference on Learning Representations (ICLR) 2025