基于多级显著性引导自监督学习的图像异常检测
计算机视觉与模式识别
2023-12-01 v1
摘要
异常检测（AD）是计算机视觉中的一项基础任务。其旨在识别偏离正常模式的不正确图像数据模式。常规方法通常通过准备增强负样本来实施自监督学习以解决AD。然而，这些技术在增强时通常不考虑语义，导致生成不真实或无效的负样本。因此，特征提取网络难以嵌入关键特征。受视觉注意力学习方法的启发，本研究提出CutSwap，其利用显著性引导融入语义线索以进行增强。具体而言，我们首先采用LayerCAM提取多级图像特征作为显著性图，随后进行聚类以获得多个质心。为充分利用显著性引导，我们在每张图上从质心显著性最高的簇中选取一个像素对以构成块对。此类块对包含具有密集语义关联的高度相似上下文信息。所得负样本通过交换块对的位置生成。相较先前的增强方法，CutSwap生成更细微而真实的负样本以促进高质量特征学习。大量实验与消融评估表明，我们的方法在两个主流AD基准数据集上取得了最先进的AD性能。
引用
@article{arxiv.2311.18332,
title = {Multilevel Saliency-Guided Self-Supervised Learning for Image Anomaly Detection},
author = {Jianjian Qin and Chunzhi Gu and Jun Yu and Chao Zhang},
journal= {arXiv preprint arXiv:2311.18332},
year = {2023}
}