无偏移增强（NSA）：用于鲁棒自监督异常检测的紧凑分布
计算机视觉与模式识别
2022-03-22 v1
摘要
无监督异常检测（AD）需要仅使用可用的分布内（ID）样本，建立正常性的概念，以区分分布内（ID）和分布外（OOD）数据。最近，在自然图像领域，该任务取得了巨大进展，其方法是将自监督对比特征学习作为第一步，随后使用 kNN 或传统的单类分类器进行特征评分。已证明在单位超球面上非均匀分布的学习表示对该任务有益。我们更进一步，研究了 ID 特征分布的几何紧凑性如何使孤立和检测异常值变得更容易，尤其是在 ID 训练数据被污染（即 ID 数据包含一些用于学习特征提取器参数的 OOD 数据）的现实情况下。我们提出了对自监督特征学习步骤的新颖架构修改，使得能够学习到 ID 数据的这种紧凑分布。我们表明，所提出的修改可以有效地应用于大多数现有的自监督目标，并带来巨大的性能提升。此外，这种改进的 OOD 性能无需借助诸如使用强增强的 ID 图像（例如，通过 90 度旋转）作为未见 OOD 数据的代理等技巧，因为这些技巧对 ID 数据及其不变性施加了过于规定性的假设。我们在单类 OOD 检测的基准数据集上进行了广泛研究，展示了在 ID 数据存在污染的情况下达到最先进的性能，在其他情况下性能也相当。我们还提出并广泛评估了一种基于角度马氏距离的新颖特征评分技术，并提出了一种简单新颖的评估时特征集成技术，该技术能在几乎零运行时成本的情况下大幅提升性能。
引用
@article{arxiv.2203.10344,
title = {No Shifted Augmentations (NSA): compact distributions for robust self-supervised Anomaly Detection},
author = {Mohamed Yousef and Marcel Ackermann and Unmesh Kurup and Tom Bishop},
journal= {arXiv preprint arXiv:2203.10344},
year = {2022}
}