ROADS：基于域迁移的鲁棒提示驱动多类异常检测
计算机视觉与模式识别
2024-11-26 v1
摘要
近期异常检测的进展正从关注单类-one-model 方法的传统方法，转向多类统一异常检测 (MUAD)，后者在可扩展性和实际应用性方面提供了更好的替代方案。然而，现有 MUAD 方法常受类间干扰影响，且对域迁移极其敏感，在实际应用中会导致显著的性能下降。本文提出一种新颖的鲁棒提示驱动 MUAD 框架，称为 ROADS，以解决上述挑战。ROADS 采用分层类感知提示集成机制，动态地将类特定信息编码到异常检测器中，以缓解异常类别之间的干扰。此外，ROADS 引入域适配器，通过学习域无关表示来增强对域迁移的鲁棒性。在 MVTec-AD 和 VISA 数据集上的大量实验表明，ROADS 在异常检测和定位方面均优于当前最先进的方法，在越界情况下的表现尤为突出。
引用
@article{arxiv.2411.16049,
title = {ROADS: Robust Prompt-driven Multi-Class Anomaly Detection under Domain Shift},
author = {Hossein Kashiani and Niloufar Alipour Talemi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2411.16049},
year = {2024}
}
备注
Accepted to the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)