边缘端持续性异常检测：基于现实工业条件的基准测试
机器学习
2026-05-26 v1 计算机视觉与模式识别
摘要
持续性异常检测（CAD）解决了工业检验系统适应生产条件演变的需求，但现有方法存在三个关键缺口：评估不真实、缺乏系统性比较、未考虑边缘部署约束。我们提出统一基准，包括结构异常和逻辑异常上的离散任务评估、新颖的连续漂移协议、对所有已发布 CAD 方法的首次对标比较，以及在边缘硬件上的计算效率剖析。我们的结果表明，现有 CAD 方法在不简单经验重播的情况下不一致地超越传统方法。因此我们受到了启发，提出 DINOSaur，一种结合冻结 DINOv3 主干网络、空间索引核心存储和邻域受限异常评分的无训练方法。DINOSaur 通过构造实现零遗忘，跨越所有五个协议的所有评估方法均优于表现，并在 NVIDIA Jetson Orin Nano 上实现亚 100ms 推理，设备内对新任务适配在 30 秒内完成。
引用
@article{arxiv.2605.24251,
title = {Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions},
author = {Chad Weatherly and Sen Lin},
journal= {arXiv preprint arXiv:2605.24251},
year = {2026}
}