PANDA：适配预训练特征用于异常检测与分割
计算机视觉与模式识别
2021-08-13 v3 机器学习
摘要
异常检测方法需要高质量特征。近年来，异常检测界尝试利用深度自监督特征学习的进展来获取更好的特征。令人惊讶的是，一个极具前景的方向——使用预训练深度特征——在很大程度上被忽视了。本文中，我们首先通过实验确立了或许在预期之中但未被报道的结果：将预训练特征与简单的异常检测及分割方法结合，令人信服地优于复杂得多的 SOTA 方法。为在异常检测中获得进一步提升，我们将预训练特征适配到目标分布。尽管迁移学习方法在多类分类问题中已很成熟，但一类分类（OCC）设定尚未被充分探索。结果表明，在监督学习中通常表现良好的朴素适配方法，在 OCC 设定中常导致灾难性坍缩（特征退化）并降低性能。一种流行的 OCC 方法 DeepSVDD 主张使用专门架构，但这限制了适配性能增益。我们提出两种对抗坍缩的方法：i) 动态学习停止迭代的早期停止变体；ii) 受持续学习启发的弹性正则化。我们的方法 PANDA 在 OCC、离群暴露与异常分割设定下以大幅优势优于 SOTA。
引用
@article{arxiv.2010.05903,
title = {PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation},
author = {Tal Reiss and Niv Cohen and Liron Bergman and Yedid Hoshen},
journal= {arXiv preprint arXiv:2010.05903},
year = {2021}
}
备注
CVPR 2021