基于对比学习提示的无监督持续异常检测
计算机视觉与模式识别
2024-01-03 v1 机器学习
摘要
具有增量训练的无监督异常检测 (UAD) 在工业制造中至关重要，因为不可预测的缺陷使得获取足够的标注数据变得不可行。然而，持续学习方法主要依赖于监督标注，而由于缺乏监督，其在 UAD 中的应用受到限制。当前的 UAD 方法依次为不同类别训练单独的模型，导致灾难性遗忘和沉重的计算负担。为解决这一问题，我们引入了一种名为 UCAD 的新型无监督持续异常检测框架，通过对比学习的提示赋予 UAD 持续学习能力。在提出的 UCAD 中，我们设计了一个持续提示模块 (CPM)，利用简洁的关键 - 提示 - 知识记忆库，使用特定任务的“正常”知识来指导任务不变的“异常”模型预测。此外，设计了基于结构的对比学习 (SCL) 并与 Segment Anything Model (SAM) 结合，以改进提示学习和异常分割结果。具体而言，通过将 SAM 的掩码视为结构，我们将同一掩码内的特征拉近并将其他特征推远，以获得通用的特征表示。我们进行了全面的实验，并在无监督持续异常检测和分割方面建立了基准，表明我们的方法显著优于异常检测方法，即使是在带有排练训练的情况下。代码将在 https://github.com/shirowalker/UCAD 提供。
引用
@article{arxiv.2401.01010,
title = {Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt},
author = {Jiaqi Liu and Kai Wu and Qiang Nie and Ying Chen and Bin-Bin Gao and Yong Liu and Jinbao Wang and Chengjie Wang and Feng Zheng},
journal= {arXiv preprint arXiv:2401.01010},
year = {2024}
}
备注
Accepted by AAAI 2024