ResAD：一个用于类泛化异常检测的简单框架
计算机视觉与模式识别
2024-10-29 v1 机器学习
摘要
本文探讨了类泛化异常检测问题，其目标是训练一个统一的异常检测（AD）模型，该模型能够泛化以检测来自不同领域的不同类别中的异常，而无需在目标数据上进行任何重新训练或微调。由于正常特征表示在不同类别之间差异很大，这将导致被广泛研究的一对一 AD 模型在类泛化能力上表现不佳（即，当用于新类别时，性能急剧下降）。在本工作中，我们提出了一个简单但有效的框架（称为 ResAD），可以直接应用于检测新类别中的异常。我们的主要见解是学习残差特征分布而不是初始特征分布。这样，我们可以显著减少特征变化。即使在新类别中，正常残差特征的分布也不会从学习到的分布中发生显著偏移。因此，学习到的模型可以直接适应新类别。ResAD 由三个组件组成：(1) 特征转换器，将初始特征转换为残差特征；(2) 简单且浅层的特征约束器，将正常残差特征约束在空间超球面内，以进一步减少特征变化并保持不同类别之间特征尺度的一致性；(3) 特征分布估计器，用于估计正常残差特征分布，异常可被识别为分布外样本。尽管很简单，ResAD 在直接用于新类别时可以取得显著的异常检测结果。代码可在 https://github.com/xcyao00/ResAD 获取。
引用
@article{arxiv.2410.20047,
title = {ResAD: A Simple Framework for Class Generalizable Anomaly Detection},
author = {Xincheng Yao and Zixin Chen and Chao Gao and Guangtao Zhai and Chongyang Zhang},
journal= {arXiv preprint arXiv:2410.20047},
year = {2024}
}
备注
This paper was accepted as a spotlight papaer by NeurIPS 2024