ReConPatch：面向工业异常检测的对比块表示学习
计算机视觉与模式识别
2024-01-11 v3
摘要
异常检测对于产品缺陷（如零件错误、组件错位及工业制造中的损伤）的提前识别至关重要。由于缺陷观测稀少且类型未知，异常检测在机器学习中颇具挑战。为克服此困难，近期方法利用从自然图像数据集预训练的通用视觉表示并提炼相关特征。然而现有方法仍存在预训练特征与目标数据之间的偏差，或需要精心设计的输入增强，尤其针对工业数据集。本文引入 ReConPatch，通过对预训练模型提取的块特征进行线性调制来构建用于异常判别的特征。ReConPatch 采用对比表示学习，以产生面向目标且易分离表示的方式收集与分布特征。为解决对比学习缺乏标注配对的问题，我们利用数据表示之间的两种相似性度量——成对相似性与上下文相似性——作为伪标签。我们的方法在广泛使用且具有挑战性的 MVTec AD 数据集上取得了最先进的异常检测性能（99.72%）。此外，我们在 BTAD 数据集上也取得了最先进的异常检测性能（95.8%）。
引用
@article{arxiv.2305.16713,
title = {ReConPatch : Contrastive Patch Representation Learning for Industrial Anomaly Detection},
author = {Jeeho Hyun and Sangyun Kim and Giyoung Jeon and Seung Hwan Kim and Kyunghoon Bae and Byung Jun Kang},
journal= {arXiv preprint arXiv:2305.16713},
year = {2024}
}
备注
Accepted on WACV 2024