重新审视用于逻辑和结构工业异常检测的深度特征重建
计算机视觉与模式识别
2024-10-22 v1 机器学习
摘要
工业异常检测对于质量控制和预测性维护至关重要，但由于训练数据有限、异常类型多样以及改变物体外观的外部因素，它面临着挑战。现有方法通常通过利用从深度预训练网络提取的图像块的多尺度特征来检测结构异常，例如凹痕和划痕。然而，巨大的内存和计算需求常常限制了它们的实际应用。此外，检测逻辑异常——例如包含缺失或多余元素的图像——需要理解空间关系，而传统的基于块的方法无法捕捉到这一点。在这项工作中，我们通过关注深度特征重建（DFR）来解决这些局限性，这是一种内存和计算效率高的结构异常检测方法。我们进一步将DFR增强为一个统一的框架，称为ULSAD，它能够检测结构异常和逻辑异常。具体来说，我们优化了DFR的训练目标以提高结构异常检测的性能，同时引入了一种基于注意力的损失机制，使用类似全局自编码器的网络来处理逻辑异常检测。我们在五个基准数据集上的实证评估展示了ULSAD在检测和定位结构异常和逻辑异常方面的性能，优于八种最先进的方法。一项广泛的消融研究进一步强调了每个组件对整体性能改进的贡献。我们的代码可在 https://github.com/sukanyapatra1997/ULSAD-2024.git 获取。
引用
@article{arxiv.2410.16255,
title = {Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection},
author = {Sukanya Patra and Souhaib Ben Taieb},
journal= {arXiv preprint arXiv:2410.16255},
year = {2024}
}
备注
Accepted in Transactions on Machine Learning Research (TMLR). Link to OpenReview: https://openreview.net/forum?id=kdTC4ktHPD