结构化教师-学生正规性学习用于多类异常检测与定位
计算机视觉与模式识别
2024-02-28 v1
摘要
视觉异常检测是一项旨在识别未知异常模式同时对正常数据进行建模的具有挑战性的开放集任务。知识蒸馏范式在单类异常检测中通过利用教师-学生网络特征比较展现出显著性能。然而，将这一范式扩展到多类异常检测引入了新的可扩展性挑战。本研究针对前述教师-学生模型在多类异常检测中出现的显著性能下降问题，鉴定其源于跨类干扰。为解决此问题，我们提出了一种新方法，称为结构化教师-学生正规性学习（Structural Teacher-Student Normality Learning, SNL）：（1）我们提出了空间-通道蒸馏和内-间亲和性蒸馏技术，以衡量教师和学生网络之间的结构距离。（2）我们引入了中心残差聚合模块（CRAM）来封装学生网络的正常表示空间。我们在两个异常检测数据集上评估了所提出的方法，即 MVTecAD 和 VisA。在多类异常检测和定位任务中，该方法在 MVTecAD 上较当前有基于蒸馏的算法提高了显著的 3.9% 和 1.5%，在 VisA 上分别提高了 1.2% 和 2.5%。此外，我们的方法在 MVTecAD 和 VisA 两个数据集上均超越了当前最先进的统一模型。
引用
@article{arxiv.2402.17091,
title = {Structural Teacher-Student Normality Learning for Multi-Class Anomaly Detection and Localization},
author = {Hanqiu Deng and Xingyu Li},
journal= {arXiv preprint arXiv:2402.17091},
year = {2024}
}