基于自编码器的半监督异常检测

异常检测指找出偏离正常数据的异常实例的任务。在若干应用中，这些离群点或异常实例比正常实例更受关注。特别是在工业光学检测与基础设施资产管理中，发现这些缺陷（异常区域）极为重要。传统上乃至今天，该过程一直由人工完成。人类依靠缺陷相对于正常纹理的显著性来检测缺陷。然而，人工检测缓慢、繁琐、主观且易受人类偏见影响。因此，缺陷检测的自动化是可取的。但对于缺陷检测，大量异常实例与标注数据的缺乏是一大问题。本文中，我们提出一种仅以无缺陷（正常）实例训练的卷积自编码器架构用于异常检测。对于测试图像，将由自编码器输出减去原始图像所得的残差掩码进行阈值化，以获得缺陷分割掩码。该方法在两个数据集上测试，取得了令人印象深刻的 0.885 平均 F1 分数。尽管训练时未使用任何缺陷图像，网络仍学会了检测缺陷的实际形状。