推工业视觉少样本异常检测极限:GraphCore
计算机视觉与模式识别
2023-10-13 v3
摘要
在少样本异常检测(FSAD)领域,高效的视觉特征在基于记忆库M的方法中起着至关重要的作用。然而,这些方法未考虑视觉特征与其旋转后视觉特征之间的关系,极大限制了异常检测性能。为推其极限,我们揭示旋转不变特征性质在工业基FSAD中具有显著影响。具体而言,我们在FSAD中利用图表示,并提供一种新的视觉等距不变特征(VIIF)作为异常度量特征。结果表明,VIIF能稳健提升异常判别能力,并可大幅减少M中存储的冗余特征规模。此外,我们提供了一种基于VIIF的新模型GraphCore,可快速实现无监督FSAD训练并提升异常检测性能。我们在所提出的少样本异常检测设定下对GraphCore与其他SOTA异常检测模型进行了综合评估,显示GraphCore在MVTec AD上1、2、4、8样本情形下平均AUC分别提升5.8%、4.1%、3.4%、1.6%,在MPDD上分别提升25.5%、22.0%、16.9%、14.1%。
引用
@article{arxiv.2301.12082,
title = {Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore},
author = {Guoyang Xie and Jinbao Wang and Jiaqi Liu and Feng Zheng and Yaochu Jin},
journal= {arXiv preprint arXiv:2301.12082},
year = {2023}
}