PAD：面向姿态无关异常检测的数据集与基准
计算机视觉与模式识别
2023-10-12 v1 人工智能
摘要
物体异常检测是机器视觉领域的一个重要问题，近年来取得了显著进展。然而，两个重大挑战阻碍了其研究和应用。首先，现有数据集缺乏来自不同姿态角度的全面视觉信息。它们通常有一个不切实际的假设，即无异常训练数据集是姿态对齐的，且测试样本与训练数据具有相同的姿态。然而在实践中，异常可能存在于物体的任何区域，训练和查询样本可能具有不同的姿态，这就需要研究姿态无关异常检测。其次，姿态无关异常检测实验协议缺乏共识，导致不同方法的不公平比较，阻碍了该方向的研究。为解决这些问题，我们构建了多姿态异常检测（MAD）数据集和姿态无关异常检测（PAD）基准，首次着手解决姿态无关异常检测问题。具体而言，我们使用20种形状复杂的LEGO玩具构建MAD，包含4K个多角度视图，以及在模拟和真实环境中的高质量、多样化3D异常。此外，我们提出一种专为姿态无关异常检测设计、使用MAD训练的新方法OmniposeAD。通过综合评估，我们证明了数据集和方法的实用性。此外，我们提供了一个开源基准库，包含涵盖8种异常检测范式的数据集和基线方法，以促进该领域未来的研究和应用。代码、数据和模型已在 https://github.com/EricLee0224/PAD 公开。
引用
@article{arxiv.2310.07716,
title = {PAD: A Dataset and Benchmark for Pose-agnostic Anomaly Detection},
author = {Qiang Zhou and Weize Li and Lihan Jiang and Guoliang Wang and Guyue Zhou and Shanghang Zhang and Hao Zhao},
journal= {arXiv preprint arXiv:2310.07716},
year = {2023}
}
备注
Accepted by NeurIPS 2023. Codes are available at https://github.com/EricLee0224/PAD