用于视觉异常分割的神经架构搜索
计算机视觉与模式识别
2023-08-10 v3
摘要
本文首次将神经架构搜索应用于分割视觉异常这一复杂任务。由于异常像素不平衡、区域面积变化以及异常类型多样，异常分割性能的度量具有挑战性。首先，提出区域加权平均精度（rwAP）度量作为现有度量的替代，其无需局限于特定最大假阳性率。其次，提出 AutoPatch 神经架构搜索方法，可在无需任何训练的情况下高效分割视觉异常。通过利用预训练超网，黑盒优化算法可直接在小型异常样本验证集上最小化计算复杂度并最大化性能。最后，在广泛研究的 MVTec 数据集上给出了引人注目的结果，表明 AutoPatch 以更低的计算复杂度、每类异常仅使用一个样本超越了当前最优方法。结果凸显了自动化机器学习在工业质量控制中优化吞吐量的潜力。AutoPatch 的代码见：https://github.com/tommiekerssies/AutoPatch
引用
@article{arxiv.2304.08975,
title = {Neural Architecture Search for Visual Anomaly Segmentation},
author = {Tommie Kerssies and Joaquin Vanschoren},
journal= {arXiv preprint arXiv:2304.08975},
year = {2023}
}
备注
Main track paper for the International Conference on Automated Machine Learning (AutoML Conference), published in Proceedings of Machine Learning Research (PMLR), 2023