面向图像异常检测鲁棒性的综合数据集基准测试
计算机视觉与模式识别
2024-07-23 v2
摘要
针对噪声成像的鲁棒性对于实际的图像异常检测系统至关重要。本研究引入了具有自由视角、不均匀照明和模糊集合的鲁棒异常检测 (Robust Anomaly Detection, RAD) 数据集，以系统评估当前异常检测方法的鲁棒性。具体而言，RAD 旨在识别工作平台上的外来物作为异常。数据收集过程包含多种来源的图像噪声，如视角变化、不均匀照明和模糊集合，以复制现实世界的检查场景。随后，我们在 RAD 上评估并分析了 11 种最先进的无监督和零样本方法。我们的发现表明：1）视角、照明和模糊的变化对异常检测方法的影响各不相同；2）依赖记忆库并借助合成异常的 methods 在鲁棒性方面表现更佳；3）有效地利用基础模型的通用知识是提高异常检测方法鲁棒性的有前景的途径。该数据集可在 https://github.com/hustCYQ/RAD-dataset 获取。
引用
@article{arxiv.2406.07176,
title = {RAD: A Comprehensive Dataset for Benchmarking the Robustness of Image Anomaly Detection},
author = {Yuqi Cheng and Yunkang Cao and Rui Chen and Weiming Shen},
journal= {arXiv preprint arXiv:2406.07176},
year = {2024}
}
备注
6 pages, 5 figures