通过类别无关概念进行长尾在线异常检测
计算机视觉与模式识别
2025-07-24 v1
摘要
异常检测（AD）识别给定图像的缺陷区域。近期的工作研究了 AD，侧重于在没有异常图像的情况下学习 AD、使用长尾分布的训练数据以及使用统一模型处理所有类别。此外，在线 AD 学习也得到了探索。在本工作中，我们通过考虑长尾在线 AD（LTOAD）这一新任务，在两个方向上扩展到更现实的设置。我们首先发现，离线 SOTA LTAD 方法不能直接应用于在线设置。具体而言，LTAD 是类别感知的，需要在线设置中不可用的类别标签。为了应对这一挑战，我们提出了一个用于 LTAD 的类别无关框架，然后将其调整到我们的在线学习设置中。我们的方法在大多数离线 LTAD 设置中优于 SOTA 基线，包括工业制造和医疗领域。特别地，即使与能够获取类别标签和类别数量的方法相比，我们在 MVTec 上仍观察到 +4.63% 的图像 AUROC 提升。在最具挑战性的长尾在线设置中，与基线相比我们实现了 +0.53% 的图像 AUROC 提升。我们的 LTOAD 基准发布于：https://doi.org/10.5281/zenodo.16283852 。
引用
@article{arxiv.2507.16946,
title = {Toward Long-Tailed Online Anomaly Detection through Class-Agnostic Concepts},
author = {Chiao-An Yang and Kuan-Chuan Peng and Raymond A. Yeh},
journal= {arXiv preprint arXiv:2507.16946},
year = {2025}
}
备注
This paper is accepted to ICCV 2025. The supplementary material is included. The long-tailed online anomaly detection dataset is available at https://doi.org/10.5281/zenodo.16283852