基于自蒸馏与负采样的自监督异常检测
人工智能
2022-01-19 v1 计算机视觉与模式识别
摘要
检测样本是否属于给定分布内或分布外 (OOD) 需要识别分布内特有的特征。在无标签的情况下，这些特征可通过自监督技术在如下一般假设下学习：最抽象的特征是那些与其他同域分布相比统计上最具过度代表性的特征。在本工作中，我们表明，对分布内训练集进行自蒸馏，并结合由辅助数据的平移变换导出的负样本进行对比，可显著改善 OOD 检测。我们发现该改善依赖于负样本的生成方式。特别地，我们观察到，通过利用保留低级特征统计特性同时改变高级语义的负样本，可获得更高的平均检测性能。此外，良好的负采样策略可从 OOD 检测分数的敏感性中识别。我们的方法在多种 OOD 检测问题上展现了高效性，为视觉域的无监督 OOD 检测设立了新基准。
引用
@article{arxiv.2201.06378,
title = {Self-Supervised Anomaly Detection by Self-Distillation and Negative Sampling},
author = {Nima Rafiee and Rahil Gholamipoorfard and Nikolas Adaloglou and Simon Jaxy and Julius Ramakers and Markus Kollmann},
journal= {arXiv preprint arXiv:2201.06378},
year = {2022}
}