SQUID：用于无监督异常检测的深度特征修复
计算机视觉与模式识别
2023-03-28 v3
摘要
放射成像协议聚焦于特定的身体区域，因此产生高度相似的图像，并在不同患者间产生重复的解剖结构。为了利用这种结构化信息，我们提出使用空间感知记忆队列来修复和检测X光片中的异常（简称为SQUID）。我们表明，SQUID能将根深蒂固的解剖结构分类为重复模式；并且在推理过程中，它能够识别图像中的异常（未见/修改过的模式）。在两个胸部X光基准数据集上，以曲线下面积（AUC）衡量，SQUID在无监督异常检测中比13种最先进方法至少高出5个百分点。此外，我们创建了一个新数据集，该数据集合成了胸部解剖中的空间相关性和一致形状。我们希望DigitAnatomy能促进异常检测方法的开发、评估和可解释性。
引用
@article{arxiv.2111.13495,
title = {SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection},
author = {Tiange Xiang and Yixiao Zhang and Yongyi Lu and Alan L. Yuille and Chaoyi Zhang and Weidong Cai and Zongwei Zhou},
journal= {arXiv preprint arXiv:2111.13495},
year = {2023}
}
备注
CVPR 2023