面向工业视觉中全在线无监督异常检测与定位
计算机视觉与模式识别
2023-05-26 v1 人工智能
摘要
尽管现有图像异常检测方法取得了令人印象深刻的成果，但它们多为需要大量数据预收集的离线学习范式，限制了其在具有在线流数据的工业场景中的适应性。基于在线学习的图像异常检测方法更兼容工业在线流数据，但很少受到关注。本文首次提出一种全在线学习图像异常检测方法，即LeMO（用于在线图像异常检测的学习记忆）。LeMO利用以正交随机噪声初始化的可学习记忆，消除了记忆初始化中对大量数据的需求，并规避了离线数据收集的低效。此外，设计了一种基于对比学习的异常检测损失函数，以实现记忆与图像目标导向特征的在线联合优化。所提方法简单且高效。大量实验证明了LeMO在在线设定下的优越性能。此外，在离线设定下，LeMO也与当前最先进方法具有竞争力，并在少样本场景中取得了优异性能。
引用
@article{arxiv.2305.15652,
title = {Towards Total Online Unsupervised Anomaly Detection and Localization in Industrial Vision},
author = {Han Gao and Huiyuan Luo and Fei Shen and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2305.15652},
year = {2023}
}