面向复杂工业图像的有监督异常检测
计算机视觉与模式识别
2024-05-14 v2 机器学习
摘要
在工业生产线中实现自动视觉检测对于提升各行业的产品质量至关重要。异常检测（Anomaly Detection, AD）方法为此提供了稳健的工具。然而，现有的公开数据集主要由无异常图像构成，限制了 AD 方法在生产环境中的实际应用。为应对这一挑战，我们提出了 (1) Valeo Anomaly Dataset (VAD)，一个新颖的真实世界工业数据集，包含 5000 张图像，其中涵盖超过 20 个子类的 2000 个具有挑战性的真实缺陷实例。鉴于传统 AD 方法在该数据集上表现不佳，我们引入了 (2) 基于分割的异常检测器（Segmentation-based Anomaly Detector, SegAD）。首先，SegAD 利用异常图及分割图来计算局部统计量。接着，SegAD 将这些统计量与可选的有监督分类器得分作为 Boosted Random Forest (BRF) 分类器的输入特征，从而得出最终的异常得分。我们的 SegAD 在 VAD（+2.1% AUROC）和 VisA 数据集（+0.4% AUROC）上均取得了 SOTA 性能。代码与模型已公开发布。
引用
@article{arxiv.2405.04953,
title = {Supervised Anomaly Detection for Complex Industrial Images},
author = {Aimira Baitieva and David Hurych and Victor Besnier and Olivier Bernard},
journal= {arXiv preprint arXiv:2405.04953},
year = {2024}
}
备注
Accepted to CVPR 2024