迈向工业异常检测的全面召回
计算机视觉与模式识别
2022-05-09 v2
摘要
能够发现缺陷部件是大规模工业制造中的关键组成部分。我们在本工作中解决的一个特殊挑战是冷启动问题：仅使用标称（无缺陷）示例图像来拟合模型。尽管针对每类的手工解决方案是可能的，但目标是构建能同时在许多不同任务上自动良好运行的系统。性能最佳的方法将 ImageNet 模型的嵌入与离群点检测模型相结合。在本文中，我们延续这一思路并提出 \textbf{PatchCore}，其使用标称块特征的最大代表性记忆库。PatchCore 在提供具有竞争力的推理时间的同时，在检测与定位上均达到最先进性能。在具有挑战性且广泛使用的 MVTec AD 基准上，PatchCore 实现了高达 的图像级异常检测 AUROC 分数，与次优竞争者相比误差减少一半以上。我们进一步在两个额外数据集上报告了具有竞争力的结果，并发现其在少样本情形下也具有竞争力。代码：github.com/amazon-research/patchcore-inspection。
引用
@article{arxiv.2106.08265,
title = {Towards Total Recall in Industrial Anomaly Detection},
author = {Karsten Roth and Latha Pemula and Joaquin Zepeda and Bernhard Schölkopf and Thomas Brox and Peter Gehler},
journal= {arXiv preprint arXiv:2106.08265},
year = {2022}
}
备注
Accepted to CVPR 2022