那是BAD：基于隐式局部特征聚类的盲异常检测
计算机视觉与模式识别
2023-07-10 v1
摘要
近期关于工业物体/纹理的视觉异常检测(AD)研究已取得相当好的性能。它们考虑一种无监督设定，具体为一类设定，即假设可用于训练的一组正常(即无异常)图像是可获得的。本文考虑一种更具挑战性的无监督AD场景，即在可能同时包含正常与异常样本的一给定图像集中检测异常。该设定不假设已知正常数据的可用性，因而完全免于人工标注，这与近期研究中所考虑的标准AD不同。为清晰起见，我们称此设定为盲异常检测(BAD)。我们表明BAD可转化为一个局部离群点检测问题，并提出一种名为PatchCluster的新方法，能够精确检测图像级与像素级异常。实验结果表明，PatchCluster在无需正常数据知识的情况下展现出有前景的性能，甚至可与应用于需要正常数据的一类设定中的SOTA方法相媲美。
引用
@article{arxiv.2307.03243,
title = {That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering},
author = {Jie Zhang and Masanori Suganuma and Takayuki Okatani},
journal= {arXiv preprint arXiv:2307.03243},
year = {2023}
}