用于自监督异常检测与定位的自然合成异常
计算机视觉与模式识别
2022-07-26 v3
摘要
我们引入了一种简单直观的自监督任务——自然合成异常（NSA），用于仅使用正常训练数据训练端到端模型以实现异常检测与定位。NSA 结合泊松图像编辑，将来自不同图像的多种尺寸缩放块无缝融合，由此产生比以往自监督异常检测的数据增强策略更接近于自然子图像不规则性的广泛合成异常。我们使用自然图像与医学图像评估所提方法。在 MVTec AD 数据集上的实验表明，训练用于定位 NSA 异常的模型能很好地泛化到检测现实世界中先验未知的制造缺陷类型。我们的方法实现了 97.2 的总体检测 AUROC，优于所有不使用额外数据集训练的先前方法。代码见 https://github.com/hmsch/natural-synthetic-anomalies。
引用
@article{arxiv.2109.15222,
title = {Natural Synthetic Anomalies for Self-Supervised Anomaly Detection and Localization},
author = {Hannah M. Schlüter and Jeremy Tan and Benjamin Hou and Bernhard Kainz},
journal= {arXiv preprint arXiv:2109.15222},
year = {2022}
}
备注
Accepted to ECCV 2022