基于配准的小样本异常检测
计算机视觉与模式识别
2022-07-18 v1
摘要
本文研究小样本异常检测（FSAD），这是异常检测（AD）中一种实用但研究不足的设置，即在训练时每个类别仅提供有限数量的正常图像。迄今为止，现有的FSAD研究遵循标准AD所使用的每类别一个模型的学习范式，尚未探索类别间的共性。受人类检测异常方式（即将待检图像与正常图像比较）的启发，本文利用配准这一跨类别天然可泛化的图像对齐任务作为代理任务，训练一个类别无关的异常检测模型。在测试期间，通过将测试图像与其对应支撑（正常）图像的配准特征进行比较来识别异常。据我们所知，这是首个训练单一可泛化模型且对新类别无需重新训练或参数微调的FSAD方法。实验结果表明，在MVTec和MPDD基准上，所提方法的AUC优于最先进的FSAD方法3%–8%。
引用
@article{arxiv.2207.07361,
title = {Registration based Few-Shot Anomaly Detection},
author = {Chaoqin Huang and Haoyan Guan and Aofan Jiang and Ya Zhang and Michael Spratling and Yan-Feng Wang},
journal= {arXiv preprint arXiv:2207.07361},
year = {2022}
}
备注
ECCV 2022 Oral; Code is available at https://github.com/MediaBrain-SJTU/RegAD