MLF-SC：将多层特征引入稀疏编码用于异常检测
计算机视觉与模式识别
2021-04-12 v1 机器学习
摘要
图像中的异常以不同尺度出现，从地毯上的小洞到大片污渍。然而，基于稀疏编码的异常检测（一种被广泛使用的异常检测方法）在处理超出用于稀疏表示图像的块大小的异常时存在问题。大的异常在小尺度下可能被视为正常，但很难确定对所有图像都适用的单一尺度（块大小）。为此，我们提出将多尺度特征引入稀疏编码，以提升异常检测性能。所提方法——多层特征稀疏编码（MLF-SC）——采用神经网络进行特征提取，并将网络中间层的特征图送入稀疏编码，而标准的基于稀疏编码的异常检测方法直接对给定图像操作。我们表明MLF-SC优于包括采用深度学习在内的先进异常检测方法。我们的目标数据是 MVTec 异常检测（MVTec AD）数据集的纹理类别，这是一个由真实世界图像组成的现代基准数据集。我们的思路可成为处理实际数据的一个简单而实用的选择。
引用
@article{arxiv.2104.04289,
title = {MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection},
author = {Ryuji Imamura and Kohei Azuma and Atsushi Hanamoto and Atsunori Kanemura},
journal= {arXiv preprint arXiv:2104.04289},
year = {2021}
}