面向工业异常检测的定制化转换不变性
计算机视觉与模式识别
2025-09-23 v1 机器学习
摘要
工业异常检测(IAD)是计算机视觉异常检测中的一个子问题，因其实际场景的适用性而受到越来越多的关注。近期研究聚焦于如何提取最具信息的特征，与仅使用预训练特征的旧式kNN方法形成鲜明对比。这些近期方法训练成本更高，可能复杂化实际应用。对相关工作关于转换不变性的研究表明，流行基准仅要求对_minor_平移具有鲁棒性。基于此思想，我们提出LWinNN(基于局部窗口的方法)，在kNN方法拥有完全或无平移不变性之间找到折中方案。我们的实验表明，这一小改变显著提高准确率，同时降低训练和测试时间。这教导我们两个观点：首先，kNN方法与更复杂的最新方法之间的差距仍可通过有效利用有限数据缩小。其次，我们对仅需有限平移不变性的假设揭示了未来工作的潜在方向，以及需要更多空间多样性基准的需求，而我们的该方法或可作为新基准。我们的代码可在 https://github.com/marietteschonfeld/LWinNN 找到。
引用
@article{arxiv.2509.17670,
title = {Tailored Transformation Invariance for Industrial Anomaly Detection},
author = {Mariette Schönfeld and Wannes Meert and Hendrik Blockeel},
journal= {arXiv preprint arXiv:2509.17670},
year = {2025}
}