OIAD：基于解耦学习的通用图像异常检测
机器学习
2020-03-30 v2 计算机视觉与模式识别
数据库
机器学习
摘要
异常检测旨在针对一组正常数据识别具有异常和罕见模式的样本。这对于众多领域应用（如工业检测、医学成像和安全执法）具有重要意义。现有异常检测方法存在两个关键研究挑战：(1) 许多方法在低维问题上表现良好，但在图像等高维实例上的性能有限；(2) 许多方法常依赖传统监督方法和人工设计特征，而即便在良标样本有限的情况下，该主题尚未使用现代深度学习方法得到充分探索。本文中，我们提出一种仅使用干净样本、基于解耦学习的通用图像异常检测系统（OIAD）。我们的核心见解是，小扰动对潜在表示的影响对于正常样本是有界的，而异常图像通常位于此类有界区间之外，称为结构一致性。我们实现了该想法并评估了其异常检测性能。我们在三个数据集上的实验表明，OIAD 可检测超过 的异常，同时保持较低的误报率。它还能从标注为干净的样本中检测出可疑样本，与人类认为异常的样本相吻合。
引用
@article{arxiv.2001.06640,
title = {OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning},
author = {Shuo Wang and Tianle Chen and Shangyu Chen and Carsten Rudolph and Surya Nepal and Marthie Grobler},
journal= {arXiv preprint arXiv:2001.06640},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1802.05983, arXiv:1909.02755, arXiv:1804.03599 by other authors