原型学习引导的上下文感知分割网络用于少样本异常检测
计算机视觉与模式识别
2025-12-18 v1
摘要
少样本异常检测（Few-shot anomaly detection, FSAD）指在有限的正常样本数量下识别目标类别中的异常。现有的FSAD方法大量依赖预训练特征表示进行异常检测，但往往忽略了预训练特征表示与目标FSAD场景之间的内在领域差距。本研究提出了一种原型学习引导的上下文感知分割网络（Prototypical Learning Guided Context-Aware Segmentation Network, PCSNet），以解决领域差距，从而提高目标场景中的特征描述性并增强FSAD性能。具体而言，PCSNet包含一个原型特征适应（Prototypical Feature Adaptation, PFA）子网络和一个上下文感知分割（Context-Aware Segmentation, CAS）子网络。PFA提取原型特征作为指导，确保正常数据在特征空间中的紧凑性与异常数据的显著分离。同时设计了像素级差异分类损失，以使细微异常更易被区分。随后引入CAS子网络进行像素级异常局部化，其中利用伪异常（pseudo anomalies）来促进训练过程。在MVTec和MPDD数据集上的实验结果表明，PCSNet在8-shot场景下实现了94.9%和80.2%的图像级AUROC，优异的FSAD性能得到验证。真实世界的应用案例如在汽车塑料件检测中进一步证明，PCSNet能够在有限训练样本下取得令人满意的结果。代码已公开于https://github.com/yuxin-jiang/PCSNet。
引用
@article{arxiv.2512.15319,
title = {Prototypical Learning Guided Context-Aware Segmentation Network for Few-Shot Anomaly Detection},
author = {Yuxin Jiang and Yunkang Cao and Weiming Shen},
journal= {arXiv preprint arXiv:2512.15319},
year = {2025}
}