多视角异常检测
计算机视觉与模式识别
2021-09-01 v2 人工智能
机器学习
机器人学
摘要
异常检测是制造业中的关键问题。在许多应用中，待分析物体的图像从多个视角捕获，这可用于提升异常检测的鲁棒性。在本工作中，我们基于深度支持向量数据描述算法，使用三种不同的融合技术（即早期融合、晚期融合和带多解码器的晚期融合）来解决多视角异常检测。我们采用不同的增强技术与去噪过程来处理稀缺的单类数据，进一步提升了性能（ROC AUC ）。此外，我们引入了dices数据集，其包含超过2000张从多视角下落骰子的灰度图像，其中5%的图像含有罕见异常（如钻孔、锯切或划痕）。我们使用来自两个不同视角的图像在新dices数据集上评估我们的方法，并在标准MNIST数据集上基准测试。大量实验表明，我们提出的多视角方法在MNIST与dices数据集上均超越了最先进的单视角异常检测。据我们所知，这是首个通过联合使用不同视角并配合单一目标函数进行图像中多视角异常检测的工作。
引用
@article{arxiv.2105.09903,
title = {Multi-Perspective Anomaly Detection},
author = {Peter Jakob and Manav Madan and Tobias Schmid-Schirling and Abhinav Valada},
journal= {arXiv preprint arXiv:2105.09903},
year = {2021}
}
备注
20 pages, 5 figures, 8 tables