融合归一化流与字典学习的自监督纹理图像异常检测
计算机视觉与模式识别
2022-09-20 v2
摘要
异常识别中的一个常见研究领域是基于纹理背景的工业图像异常检测。纹理图像的干扰以及纹理异常的细微性是许多现有模型无法检测异常的主要原因。针对上述疑问，我们提出了一种结合字典学习与归一化流的异常检测策略。我们方法改进了已有的两阶段异常检测方法。为改进基线方法，本研究在表示学习中加入归一化流，并将深度学习与字典学习相结合。经实验验证，改进算法在所有 MVTec AD 纹理类型数据上的检测准确率均超过 95%，表现出较强的鲁棒性。基线方法对 Carpet 数据的检测准确率为 67.9%，本文对其进行了升级，将检测准确率提升至 99.7%。
引用
@article{arxiv.2209.07005,
title = {Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing Flow and Dictionary Learning},
author = {Yaohua Guo and Lijuan Song and Zirui Ma},
journal= {arXiv preprint arXiv:2209.07005},
year = {2022}
}