利用自适应特征扰动消除单类异常检测中的几何偏差

单类异常检测旨在检测不属于预定义正常类的对象。在实际中，训练数据缺乏那些异常样本；因此，最先进的方法被训练来区分正常样本和合成生成的伪异常数据。大多数方法在正常图像上使用数据增强技术来模拟异常。然而，表现最好的方法隐式地利用了基准数据集中存在的几何偏差。这限制了它们在更一般条件下的可用性。其他方法依赖于基本的加噪方案，这些方案在捕捉正常数据的潜在结构方面可能是次优的。此外，大多数方法仍然倾向于在图像域生成伪异常，仅从正常类端到端地训练模型，而忽略了信息更丰富的表示。为了克服这些限制，我们考虑了预训练模型给出的冻结但丰富的特征空间，并使用一种新颖的自适应线性特征扰动技术创建伪异常特征。它使噪声分布适应每个样本，对特征向量应用衰减线性扰动，并进一步使用对比学习目标来指导分类过程。在标准数据集和无几何偏差数据集上进行的实验评估证明了我们的方法相对于可比基线的优越性。代码库可通过我们的公开存储库访问。