REB：减少工业异常检测中表征偏差的方法
计算机视觉与模式识别
2024-05-20 v2 人工智能
摘要
现有基于表征的方法通常分两阶段进行工业异常检测：用预训练模型获取特征表征，并通过距离度量实现异常检测。其中，基于 K 近邻（KNN）检索的异常检测方法展现出良好前景。然而，这些方法未充分利用特征，忽视了预训练模型的域偏差及特征空间中局部密度的差异，限制了检测性能。本文提出减少表征偏差（REB）方法，通过考虑域偏差并构建自监督学习任务以实现更好的域适应，采用缺陷生成策略（DefectMaker）确保合成缺陷的强多样性。此外，我们提出局部密度 KNN（LDKNN）以减少特征空间中的局部密度偏差，实现有效异常检测。所提 REB 方法在广泛使用的 MVTec AD 上以 Vgg11 和 Resnet18 等较小骨干网络取得 99.5% Im.AUROC 的优异结果，在 MVTec LOCO AD 数据集上达 88.8% Im.AUROC，在 BTAD 数据集上达 96.0%，优于其他基于表征的方法。这些结果证明了 REB 在实际工业应用中的有效性与高效性。代码：https://github.com/ShuaiLYU/REB。
引用
@article{arxiv.2308.12577,
title = {REB: Reducing Biases in Representation for Industrial Anomaly Detection},
author = {Shuai Lyu and Dongmei Mo and Waikeung Wong},
journal= {arXiv preprint arXiv:2308.12577},
year = {2024}
}
备注
14 pages, 7 figures, 7 tables