SPACE：面向工业应用的时空感知一致性正则化异常检测方法
计算机视觉与模式识别
2024-11-12 v1
摘要
在本文中，我们提出了 SPACE，一种将特征编码器（FE）集成到学生-教师方法结构中的新型异常检测方法。该方法有两个关键要素：空间一致性正则化损失（SCL）和特征转换模块（FM）。SCL 通过避免学生模型过度模仿教师模型来防止过拟合。同时，它通过避开数据增强产生的异常区域来促进正常数据特征的扩展。这种双重功能确保了正常数据与异常数据之间的稳健边界。FM 防止从 FE 中学习模糊信息。这保护了学到的特征，并使结构和逻辑异常的有效检测成为可能。通过这些要素，SPACE 能够在最小化 FE 影响的同时整合各种数据增强。在本研究中，我们在 MVTec LOCO、MVTec AD 和 VisA 数据集上评估了所提出的方法。通过定性评估的实验结果证明了每个模块在检测能力和效率方面相对于最先进方法的优越性。
引用
@article{arxiv.2411.05822,
title = {SPACE: SPAtial-aware Consistency rEgularization for anomaly detection in Industrial applications},
author = {Daehwan Kim and Hyungmin Kim and Daun Jeong and Sungho Suh and Hansang Cho},
journal= {arXiv preprint arXiv:2411.05822},
year = {2024}
}
备注
Accepted to WACV 2025