用于异常检测的自监督预测卷积注意力模块
计算机视觉与模式识别
2022-03-15 v6 机器学习
摘要
异常检测通常被作为一类分类问题来处理，其中模型只能从正常训练样本学习，同时在正常与异常测试样本上进行评估。在成功的异常检测方法中，一类显著的方法依赖于预测被掩蔽的信息（例如图像块、未来帧等），并利用相对于被掩蔽信息的重建误差作为异常分数。与相关工作不同，我们提出将基于重建的功能集成到一个新颖的自监督预测架构构建模块中。所提出的自监督模块具有通用性，可轻松融入各种最先进的异常检测方法。我们的模块以带膨胀滤波器的卷积层开始，其中感受野的中心区域被掩蔽。生成的激活图通过通道注意力模块。我们的模块配备了一个损失函数，用于最小化相对于感受野中掩蔽区域的重建误差。我们通过将该模块集成到若干用于图像和视频异常检测的最先进框架中，证明了模块的通用性，并提供了经验证据，表明在 MVTec AD、Avenue 和 ShanghaiTech 上性能有显著提升。我们在 https://github.com/ristea/sspcab 开源了代码。
引用
@article{arxiv.2111.09099,
title = {Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection},
author = {Nicolae-Catalin Ristea and Neelu Madan and Radu Tudor Ionescu and Kamal Nasrollahi and Fahad Shahbaz Khan and Thomas B. Moeslund and Mubarak Shah},
journal= {arXiv preprint arXiv:2111.09099},
year = {2022}
}
备注
Accepted at CVPR 2022. Paper + supplementary (14 pages, 9 figures)