基于分层增强的单边聚合对比学习异常检测方法
计算机视觉与模式识别
2023-08-22 v1
摘要
异常检测（AD）旨在发现偏离训练分布的样本，在安全关键应用中至关重要。尽管近期基于自监督学习的尝试通过创建虚拟离群点取得了有前景的结果，但其训练目标与 AD 所要求的紧凑内点分布和离散离群点分布不够契合。本文提出考虑上述两方面要求的基于分层增强的单边聚合对比学习（UniCon-HA）。具体而言，我们分别通过有监督和无监督对比损失显式促进内点的聚集与虚拟离群点的分散。考虑到用于生成正视图的标准对比数据增强可能引入离群点，我们额外引入一种软机制，根据每个增强内点偏离内点分布的程度对其重新加权，以确保纯净的聚集。此外，受课程学习启发，为促使更高程度的聚集，我们采用由易到难的分层增强策略，并基于数据增强的强度在网络不同深度执行对比聚合。我们的方法在包括无标签单类、无标签多类和有标签多类三种 AD 设定下进行了评估，展现出对其他竞争方法的一致优越性。
引用
@article{arxiv.2308.10155,
title = {Unilaterally Aggregated Contrastive Learning with Hierarchical Augmentation for Anomaly Detection},
author = {Guodong Wang and Yunhong Wang and Jie Qin and Dongming Zhang and Xiuguo Bao and Di Huang},
journal= {arXiv preprint arXiv:2308.10155},
year = {2023}
}
备注
Accepted by ICCV'2023