用于无监督异常检测的自监督引导分割框架
计算机视觉与模式识别
2022-09-27 v1
摘要
无监督异常检测在工业应用中是一项具有挑战性的任务,因为收集足够的异常样本是不切实际的。本文提出一种新颖的自监督引导分割框架(SGSF),通过联合探索有效的伪造异常样本生成方法以及将正常样本特征作为分割的引导信息来进行异常检测。具体而言,为确保生成的伪造异常样本有利于模型训练,提出了显著性增强模块(SAM)。SAM引入显著性图生成显著性Perlin噪声图,并开发自适应分割策略在显著性区域生成不规则掩码。随后,这些掩码被用于生成伪造异常样本作为训练的负样本。遗憾的是,伪造与真实异常样本间的分布差距使得基于伪造样本训练的模型难以有效定位真实异常。为此,提出了自监督引导网络(SGN)。其利用自监督模块提取无噪声且包含正常语义信息的特征,作为分割模块的先验知识。具备正常模式知识的分割模块将分割出与引导特征不同的异常区域。为评估SGSF在异常检测上的有效性,在三个异常检测数据集上进行了大量实验。实验结果表明SGSF取得了最先进的异常检测结果。
引用
@article{arxiv.2209.12440,
title = {Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly Detection},
author = {Peng Xing and Yanpeng Sun and Zechao Li},
journal= {arXiv preprint arXiv:2209.12440},
year = {2022}
}
备注
13 pages, 7 figures