基于正则化判别耦合超球面特征适应的多类异常检测

在异常检测中，跨多种产品类别识别异常是一项复杂任务。本文提出一种新模型，在耦合超球面特征适应（CFA）的特征提取过程中引入由改进的 Regularized Discriminative Variational Auto-Encoder（RD-VAE，正则化判别变分自编码器）获得的类判别属性。由此，所提出的 Regularized Discriminative Coupled-hypersphere-based Feature Adaptation（RD-CFA，正则化判别耦合超球面特征适应）构成了一种多类异常检测解决方案。通过利用 RD-VAE 捕捉复杂类分布的判别能力，结合 CFA 稳健的异常检测能力，所提方法擅长辨别各类异常。在 MVTec AD 和 BeanTech AD 数据集上进行的多类异常检测与定位的广泛评估，展示了 RD-CFA 相较于八种领先当代方法的有效性。