面向少样本/多样本异常检测的 PatchCore 优化
计算机视觉与模式识别
2023-07-21 v1 人工智能
机器学习
摘要
少样本异常检测（AD）是通用 AD 的一个新兴子领域，试图仅使用少量选定样本来区分正常与异常数据。虽然新提出的少样本 AD 方法确实将已有为全样本领域开发的算法作为基线进行比较，但它们并未专门为其少样本设置进行优化。因此，此类已有算法的性能是否可进一步提升仍不清楚。我们在本工作中解决该问题。具体而言，我们针对当前最先进的全样本 AD/异常分割（AS）算法 PatchCore，在少样本与多样本设置下对其 AD/AS 性能进行研究。我们假设通过（I）优化其各种超参数，以及（II）将已知可改进少样本监督学习的技术迁移到 AD 领域，可实现进一步的性能提升。在公开 VisA 与 MVTec AD 数据集上的详尽实验表明，（I）通过优化如底层特征提取器等超参数可实现显著的性能提升，且（II）图像级增强能够——但不保证——改进性能。基于这些发现，我们在 VisA 上实现了少样本 AD 的新最先进水平，进一步证明了将已有 AD/AS 方法适配到少样本设置的价值。最后，我们将调查具有强归纳偏置的特征提取器确定为（少样本）AD/AS 的潜在未来研究方向。
引用
@article{arxiv.2307.10792,
title = {Optimizing PatchCore for Few/many-shot Anomaly Detection},
author = {João Santos and Triet Tran and Oliver Rippel},
journal= {arXiv preprint arXiv:2307.10792},
year = {2023}
}