N-pad：基于邻域像素的工业异常检测
计算机视觉与模式识别
2022-10-18 v1
摘要
识别工业产品图像中的缺陷一直是提升质量控制与降低维护成本的重要任务。在近期研究中，工业异常检测模型利用预训练网络来学习标称表示。为利用每个像素的相对位置信息，我们提出 \textit{\textbf{N-pad}}，一种用于一类学习设定下异常检测与分割的新方法，该方法将目标像素的邻域纳入模型训练与评估。在模型架构中，像素级标称分布通过结合目标像素的邻域像素特征来估计，以容忍可能的边缘错位。此外，标称特征聚类的质心被识别为代表性标称集合。相应地，异常分数分别基于目标像素与估计分布或质心集合之间的马氏距离和欧氏距离推断。由此，我们在 MVTec-AD 上取得了最先进的性能，异常检测 AUROC 为 99.37，异常分割为 98.75，误差较次优模型降低 34%。多种设定下的实验进一步验证了我们的模型。
引用
@article{arxiv.2210.08768,
title = {N-pad : Neighboring Pixel-based Industrial Anomaly Detection},
author = {JunKyu Jang and Eugene Hwang and Sung-Hyuk Park},
journal= {arXiv preprint arXiv:2210.08768},
year = {2022}
}