作为统一无监督视觉异常检测器的孪生过渡掩码自编码器
计算机视觉与模式识别
2022-11-02 v1
摘要
无监督视觉异常检测在许多场景中具有实际意义，且由于异常的无界定义而成为一项挑战性任务。此外，以往多数方法针对特定应用，建立跨应用场景异常的统一模型仍未解决。本文提出一种称为孪生过渡掩码自编码器（ST-MAE）的新型混合框架，通过深度特征过渡统一处理各类视觉异常检测任务。具体而言，该方法首先从预训练深度卷积神经网络提取分层语义特征，继而提出特征解耦策略将深度特征拆分为两个不相交的特征块子集。利用解耦特征，ST-MAE 采用孪生编码器分别作用于各特征块子集并执行两子集的潜表示过渡，辅以轻量解码器从过渡后的潜表示重建原始特征。最后，可利用语义深度特征残差检测异常属性。我们的深度特征过渡方案产生非平凡且语义化的自监督任务以提取典型正常模式，从而学习对不同的视觉异常检测任务泛化良好的统一模型。大量实验表明，所提 ST-MAE 方法在跨应用场景的多个基准上以优越推理效率超越 SOTA 性能，展现出作为无监督视觉异常检测统一模型的巨大潜力。
引用
@article{arxiv.2211.00349,
title = {Siamese Transition Masked Autoencoders as Uniform Unsupervised Visual Anomaly Detector},
author = {Haiming Yao and Xue Wang and Wenyong Yu},
journal= {arXiv preprint arXiv:2211.00349},
year = {2022}
}