通过微调表征的迁移学习高斯异常检测
计算机视觉与模式识别
2022-06-14 v2
摘要
当前最先进的异常检测（AD）方法利用了大规模 ImageNet 训练产生的强大表征。然而，在半监督设定下，灾难性遗忘阻碍了预训练表征在新数据集上的成功微调，因此表征通常被固定。在我们的工作中，我们提出了一种新方法来克服灾难性遗忘，从而在迁移学习设定下成功微调用于 AD 的预训练表征。具体而言，我们基于生成式与判别式建模之间的联系，为正常类诱导多元高斯分布，并使用正常图像到估计分布的马氏距离作为训练目标。我们还提出在验证方案中使用通常用于邻域风险最小化的增强手段，以检测灾难性遗忘的发生。在公开 MVTec 数据集上的大量评估表明，我们的方法在 AD 任务中达到了新的最先进水平，同时实现了与先前最先进方法相当的异常分割性能。此外，消融研究证明了所诱导高斯分布的重要性，以及所提微调方案相对于增强选择的鲁棒性。
引用
@article{arxiv.2108.04116,
title = {Transfer Learning Gaussian Anomaly Detection by Fine-tuning Representations},
author = {Oliver Rippel and Arnav Chavan and Chucai Lei and Dorit Merhof},
journal= {arXiv preprint arXiv:2108.04116},
year = {2022}
}
备注
Camera ready for IMPROVE22 + additional typo fixes