基于师生特征金字塔匹配的无监督异常检测
计算机视觉与模式识别
2021-10-29 v3
摘要
异常检测是一项具有挑战性的任务，通常因异常的不确定性而被表述为一类学习问题。本文针对该问题提出一种简单而强大的方法，其实现于师生框架中以其优势，但在准确率和效率上均大幅扩展。给定一个在图像分类上预训练的强模型作为教师，我们将知识蒸馏进一个架构相同的单一学生网络，以学习无异常图像的分布，这种一步迁移尽可能保留了关键线索。此外，我们将多尺度特征匹配策略整合进框架，这种分层特征匹配使学生网络在更好监督下接收来自特征金字塔的多层次知识混合，从而能够检测各种尺寸的异常。两网络生成的特征金字塔之间的差异作为指示异常发生概率的评分函数。得益于此类操作，我们的方法实现了准确且快速的像素级异常检测。在MVTec异常检测数据集上取得了极具竞争力的结果，优于现有最先进方法。
引用
@article{arxiv.2103.04257,
title = {Student-Teacher Feature Pyramid Matching for Anomaly Detection},
author = {Guodong Wang and Shumin Han and Errui Ding and Di Huang},
journal= {arXiv preprint arXiv:2103.04257},
year = {2021}
}
备注
Accepted by BMVC'2021