无先验学生：基于判别性隐嵌入的学生-教师异常检测
计算机视觉与模式识别
2020-09-08 v2
摘要
我们针对高分辨率图像中无监督异常检测与像素级异常分割这一挑战性问题，引入了一种强大的学生-教师框架。学生网络被训练以回归一个描述性教师网络的输出，该教师网络在来自自然图像块的大规模数据集上进行了预训练。这规避了对先验数据标注的需求。当学生网络的输出与教师网络输出不同时即检测到异常。这发生在它们无法在无非异常训练数据的流形之外泛化时。学生网络内在的不确定性被用作指示异常的附加评分函数。我们将我们的方法与大量现有的基于深度学习的无监督异常检测方法进行比较。我们的实验证明了在多个真实世界数据集上相对于最先进方法的改进，包括最近引入的、专门设计用于基准测试异常分割算法的 MVTec 异常检测数据集。
引用
@article{arxiv.1911.02357,
title = {Uninformed Students: Student-Teacher Anomaly Detection with Discriminative Latent Embeddings},
author = {Paul Bergmann and Michael Fauser and David Sattlegger and Carsten Steger},
journal= {arXiv preprint arXiv:1911.02357},
year = {2020}
}
备注
Accepted to CVPR 2020