基于模式生成与对比网络的无监督工业异常检测
计算机视觉与模式识别
2024-08-16 v2 人工智能
摘要
在工业生产中很难收集足够的缺陷图像来训练深度学习网络。因此，现有的工业异常检测方法倾向于使用基于CNN的无监督检测与定位网络来完成此任务。然而，当新信号出现多种变化时，这些方法总是失效，因为传统的端到端网络在高维空间中拟合非线性模型存在障碍。此外，它们本质上通过聚类正常图像的特征来构建记忆库，这导致其对纹理变化不鲁棒。为此，我们提出了基于Vision Transformer（VIT-based）的无监督异常检测网络。它利用分层任务学习和人类经验来增强其可解释性。我们的网络由模式生成与比较网络组成。模式生成网络使用两个基于VIT的编码器模块提取两个连续图像块的特征，然后使用基于VIT的解码器模块学习这些人力的设计风格特征并预测第三个图像块。此后，我们使用基于Siamese的网络计算生成图像块与原始图像块的相似度。最后，我们通过双向推理策略细化异常定位。在公开数据集MVTec数据集上的对比实验表明，我们的方法达到了99.8%的AUC，超越了先前的最先进方法。此外，我们在自有的皮革和布料数据集上给出了定性说明。准确的分割结果有力证明了我们的方法在异常检测中的准确性。
引用
@article{arxiv.2207.09792,
title = {Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks},
author = {Jianfeng Huang and Chenyang Li and Yimin Lin and Shiguo Lian},
journal= {arXiv preprint arXiv:2207.09792},
year = {2024}
}