UniFormaly：面向任务无关统一框架的视觉异常检测
计算机视觉与模式识别
2023-11-15 v2 人工智能
摘要
视觉异常检测旨在从正常图像中学习正常性，但现有方法分散于各类任务：缺陷检测、语义异常检测、多类异常检测与异常聚类。这种一任务一模型的范式资源密集，且随任务数量增加产生高昂维护成本。我们提出 UniFormaly，一个通用且强大的异常检测框架。我们通过指出基于在线编码的方法中的次优问题，强调了我们即插即用方法的必要性。我们引入背景块掩码（BPM）与 top k-ratio 特征匹配以实现统一异常检测。BPM 利用自监督 ViT 的自注意力图消除无关背景区域。其以任务无关方式运行，缓解内存存储消耗，并可扩展至具有大规模数据集的任务。top k-ratio 特征匹配通过将异常评分转化为多示例学习，统一了异常级别与任务。最终，UniFormaly 在多种任务与数据集上取得优异结果。代码见 https://github.com/YoojLee/Uniformaly。
引用
@article{arxiv.2307.12540,
title = {UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly Detection},
author = {Yujin Lee and Harin Lim and Seoyoon Jang and Hyunsoo Yoon},
journal= {arXiv preprint arXiv:2307.12540},
year = {2023}
}
备注
23 pages, 13 figures. Codes are available at https://github.com/YoojLee/Uniformaly