PNI：利用位置与邻域信息的工业异常检测
计算机视觉与模式识别
2023-03-31 v3
摘要
由于异常样本不能用于训练，许多异常检测与定位方法使用预训练网络和非参数建模来估计编码特征分布。然而，这些方法忽视了位置与邻域信息对正常特征分布的影响。为克服此问题，我们提出一种新算法 \textbf{PNI}，其利用由多层感知机网络建模的给定邻域特征的条件概率来估计正态分布。此外，通过在各位置创建代表性特征的直方图来利用位置信息。所提方法并非简单地调整异常图尺寸，而是采用一个在合成异常图像上训练的额外细化网络，以更好地插值并考虑输入图像的形状与边缘。我们在 MVTec AD 基准数据集上进行了实验，取得了最先进的性能，在异常检测与定位上的 AUROC 分数分别为 \textbf{99.56\%} 和 \textbf{98.98\%}。
引用
@article{arxiv.2211.12634,
title = {PNI : Industrial Anomaly Detection using Position and Neighborhood Information},
author = {Jaehyeok Bae and Jae-Han Lee and Seyun Kim},
journal= {arXiv preprint arXiv:2211.12634},
year = {2023}
}