ToCoAD：用于工业异常检测的两阶段对比学习
计算机视觉与模式识别
2024-07-02 v1
摘要
当前的无监督异常检测方法在公共数据集上表现良好，但由于预训练特征提取器与目标特定领域之间的领域差距，难以处理特定类型的异常。为解决此问题，本文提出了两种训练策略，称为 ToCoAD。在第一阶段，以自监督方式使用合成异常训练判别网络。在第二阶段，将该网络用于提供负特征导向，辅助通过引导对比学习训练特征提取器。该方法使模型能够逐步学习针对工业数据集的异常分布，从而有效提升其对各种类型异常的通用性。进行了大量实验以演示我们提出的两种训练策略的有效性，该模型在 MVTec AD、VisA 和 BTAD 上分别实现了 98.21%、98.43% 和 97.70% 的像素级 AUROC 分数。
引用
@article{arxiv.2407.01312,
title = {ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection},
author = {Yun Liang and Zhiguang Hu and Junjie Huang and Donglin Di and Anyang Su and Lei Fan},
journal= {arXiv preprint arXiv:2407.01312},
year = {2024}
}
备注
11 pages, 7 figures