以找不同自监督预训练用于异常检测与分割
计算机视觉与模式识别
2022-08-01 v1
摘要
视觉异常检测常用于工业质检。本文中，我们提出了一个新数据集以及一种用于 ImageNet 预训练的新自监督学习方法，以在 1-class 与 2-class 5/10/high-shot 训练设定下改进异常检测与分割。我们发布了视觉异常(VisA)数据集，包含 10,821 张高分辨率彩色图像(9,621 张正常与 1,200 张异常样本)，覆盖 3 个领域的 12 个对象，使其成为迄今最大的工业异常检测数据集。同时提供图像级与像素级标签。我们还提出了一种新的自监督框架——SPot-the-difference (SPD)——其可正则化对比自监督预训练(如 SimSiam、MoCo 与 SimCLR)，使其更适用于异常检测任务。我们在 VisA 与 MVTec-AD 数据集上的实验表明，SPD 持续优于这些对比预训练基线乃至有监督预训练。例如，在 2-class high-shot 设定下，SPD 将异常分割的精确率-召回率曲线下面积(AU-PR)较 SimSiam 与有监督预训练分别提升了 5.9% 与 6.8%。我们在 http://github.com/amazon-research/spot-diff 开源了该项目。
引用
@article{arxiv.2207.14315,
title = {SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation},
author = {Yang Zou and Jongheon Jeong and Latha Pemula and Dongqing Zhang and Onkar Dabeer},
journal= {arXiv preprint arXiv:2207.14315},
year = {2022}
}
备注
Accepted to European Conference on Computer Vision 2022