用于多类工业异常检测的混合注意力自编码器
计算机视觉与模式识别
2023-09-25 v1
摘要
大多数现有的无监督工业异常检测方法为每个对象类别训练一个单独的模型。这类方法易于捕捉特定类别的特征分布，但会导致高存储成本和低训练效率。本文中，我们提出一种统一的混合注意力自编码器（mixed-attention auto encoder, MAAE），以单一模型实现多类异常检测。为缓解因不同类别分布模式多样导致的性能下降，我们采用空间注意力和通道注意力来有效捕获全局类别信息并建模多类的特征分布。此外，为模拟特征上的真实噪声并保留对检测细微异常至关重要的不同类别物体的表面语义，我们提出了一种自适应噪声生成器以及用于预训练特征的多尺度融合模块。与最先进（state-of-the-art, SOTA）方法相比，MAAE 在基准数据集上取得了优异的性能。
引用
@article{arxiv.2309.12700,
title = {mixed attention auto encoder for multi-class industrial anomaly detection},
author = {Jiangqi Liu and Feng Wang},
journal= {arXiv preprint arXiv:2309.12700},
year = {2023}
}
备注
5 pages, 4 figures