UMAD: 大学洛岛异常检测基准数据集

在监控系统和巡逻机器人中，异常检测通过识别图像中的异常区域来实现早期警报。根据是否使用参考数据，异常检测可分为参考型异常检测和无参考型异常检测。目前，无参考型异常检测——这与分布外（out-of-distribution, OoD）目标检测密切相关——由于异常稀有且新颖，难以收集足够大且多样化的异常数据集，导致难以学习异常模式。或者，参考型异常检测采用变更检测方案，通过比较参考图像与查询图像之间的语义变化来识别异常。然而，由于该领域缺乏公共数据集，现有参考型异常检测工作数量极少。本文旨在弥补这一差距，通过引入 UMAD 基准数据集。据我们所知，这是首个专为机器人巡逻场景中参考型异常检测设计的基准数据集，例如，自动运行机器人通过比较参考序列和查询序列来检测场景中的异常对象。参考序列可在场景中无异常对象时�指定路线由机器人获取。查询序列是在机器人沿相同路线巡逻时在线捕获。我们详细描述了该基准数据集，使得每个查询图像都能找到对应的参考图像，基于预建 3D 地图中沿相同路线的精确机器人定位，通过自适应变形实现参考图像与查询图像的几何对齐。除了提出的基准数据集之外，我们还评估了 ADr 在该数据集上的基线模型。