SLSG：通过更优特征嵌入与一类分类学习实现工业图像异常检测
计算机视觉与模式识别
2023-05-02 v1
摘要
一类分类设定下的工业图像异常检测具有重要实用价值。然而，多数现有模型在进行特征嵌入时难以提取可分离的特征表示，在进行一类分类时难以建立紧致的正常特征描述。其直接后果是多数模型在检测违背上下文关系的逻辑异常时表现不佳。着眼于更高效全面的异常检测，我们提出基于自监督学习与自注意力图卷积（SLSG）的异常检测网络。SLSG使用生成式预训练网络辅助编码器学习正常模式的嵌入与位置关系的推理。随后，SLSG通过模拟异常样本引入异常的伪先验知识。通过比较模拟异常，SLSG能更好地归纳正常特征并缩小用于一类分类的超球面。此外，借助更通用的图结构构建，SLSG全面建模图像中元素间稠密与稀疏关系，进一步强化逻辑异常检测。在基准数据集上的大量实验表明SLSG取得优越异常检测性能，证明了方法的有效性。
引用
@article{arxiv.2305.00398,
title = {SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification},
author = {Minghui Yang and Jing Liu and Zhiwei Yang and Zhaoyang Wu},
journal= {arXiv preprint arXiv:2305.00398},
year = {2023}
}