用于无监督异常检测与定位的自监督掩码方法
计算机视觉与模式识别
2022-05-16 v1
摘要
近年来，多媒体数据中的异常检测与定位在机器学习领域受到了广泛关注。在医学诊断和工业缺陷检测等现实应用中，异常仅出现在少量图像中。为了将基于重建的异常检测架构扩展到局部异常，我们提出了一种通过随机掩码然后修复的自监督学习方法，称为自监督掩码（SSM），用于无监督异常检测与定位。SSM不仅增强了修复网络的训练，还大幅提升了推理时掩码预测的效率。通过随机掩码，每幅图像被增强为多样化的训练三元组集合，从而使自编码器能够在训练期间学习重建各种大小和形状的掩码。为了提高推理时异常检测与定位的效率和效果，我们提出了一种新颖的渐进式掩码细化方法，逐步揭示正常区域并最终定位异常区域。所提出的SSM方法在异常检测和异常定位方面均优于多种最先进方法，分别在Retinal-OCT上达到98.3% AUC和在MVTec AD上达到93.9% AUC。
引用
@article{arxiv.2205.06568,
title = {Self-Supervised Masking for Unsupervised Anomaly Detection and Localization},
author = {Chaoqin Huang and Qinwei Xu and Yanfeng Wang and Yu Wang and Ya Zhang},
journal= {arXiv preprint arXiv:2205.06568},
year = {2022}
}
备注
Transaction on Multimedia 2022