ReContrast：基于对比重建的域特定异常检测
计算机视觉与模式识别
2023-10-25 v3
摘要
大多数先进的无监督异常检测（UAD）方法依赖于对大规模数据集（如ImageNet）预训练的固定编码器网络的特征表示建模。然而，从自然图像域借用的编码器提取的特征与目标UAD域（如工业检测和医学成像）所需特征几乎不重合。本文提出一种新颖的认知UAD方法，即ReContrast，其优化整个网络以减少对预训练图像域的偏置，并将网络定向于目标域。我们从特征重建方法入手，通过误差检测异常。本质上，对比学习的要素被优雅地嵌入特征重建中，以防止网络训练不稳定、模式崩溃与恒等捷径，同时在目标域上优化编码器与解码器。为证明我们在各类图像域上的迁移能力，我们在两个流行的工业缺陷检测基准与三个医学图像UAD任务上进行了广泛实验，显示出优于当前最先进方法的性能。
引用
@article{arxiv.2306.02602,
title = {ReContrast: Domain-Specific Anomaly Detection via Contrastive Reconstruction},
author = {Jia Guo and Shuai Lu and Lize Jia and Weihang Zhang and Huiqi Li},
journal= {arXiv preprint arXiv:2306.02602},
year = {2023}
}
备注
NeurIPS 2023 Poster