视觉异常自由与异常表示之间的关系
计算机视觉与模式识别
2024-10-10 v1
摘要
异常检测是计算机视觉中的重要问题，具有多种实际应用。然而，当前解决这一问题的方法已知存在系统性短板。具体而言，当前的表面异常检测任务假设存在多个特定异常类（如裂缝、锈蚀等），与过去的单类分类模型不同。然而，在此类设置下构建深度学习模型仍然具有挑战，因为异常样本极少出现，因此异常样本相当稀缺。迁移学习在此类情况下是首选范式。但典型的源域（如 ImageNet、JFT-300M、LAION-2B 等）与表面和材料的域不相关，这是迁移学习的一个重要前提。在本文中，我们提出了一个重要假设，并通过详尽实验表明，正常样本的视觉异常自由模式空间与各类异常模式的空间良好相关。使用这一假设进行迁移学习的初步结果确实相当鼓舞人心。我们期望发现这样一个简单且易于获取大量样本的接近域，同时往往显示出类间可分性尽管边界狭窄，这将是一次有用的发现。尤其预期这将改善异常检测的域适应和少样本学习，使未来的野外异常检测变得现实可达。
引用
@article{arxiv.2410.06576,
title = {On The Relationship between Visual Anomaly-free and Anomalous Representations},
author = {Riya Sadrani and Hrishikesh Sharma and Ayush Bachan},
journal= {arXiv preprint arXiv:2410.06576},
year = {2024}
}