自调优自监督图像异常检测
机器学习
2025-07-22 v3 计算机视觉与模式识别
摘要
自监督学习（SSL）已成为一种有前景的范式，它为现实世界问题提供监督信号，规避了人工标注的巨大成本。因此，自监督异常检测（SSAD）近期受到广泛关注，因为 SSL 对无监督任务尤其具有吸引力。然而，近期工作报道称数据增强函数的选择对 SSAD 精度有显著影响，由于缺乏带标签的验证数据，将增强搜索提出为一个本质但非平凡的问题。本文中，我们引入 ST-SSAD，这是首个用于 SSAD 端到端增强调优的无监督方法。为此，我们的工作提出两项关键贡献。其一是新的无监督验证损失，量化增强训练数据与无标签验证数据之间的一致性。其二是新的可微增强函数，允许以端到端方式调优数据增强超参数。在具有语义类异常与细微工业缺陷的两个测试平台上的实验表明，ST-SSAD 相较现有工作取得了显著的性能提升。我们的所有代码与测试平台均可在 https://github.com/jaeminyoo/ST-SSAD 获取。
引用
@article{arxiv.2306.12033,
title = {Self-Tuning Self-Supervised Image Anomaly Detection},
author = {Jaemin Yoo and Lingxiao Zhao and Leman Akoglu},
journal= {arXiv preprint arXiv:2306.12033},
year = {2025}
}
备注
Accepted to KDD 2025