无监督两阶段异常检测
计算机视觉与模式识别
2021-03-23 v1
摘要
从单张图像进行异常检测颇具挑战，因为异常数据始终稀少且类型高度不可预测。在仅有无异常数据可用时，多数现有方法训练一个 AutoEncoder 来重建输入图像，并寻找输入与输出之间的差异以定位异常区域。然而，此类方法面临一个潜在问题——粗糙重建会产生额外图像差异，而高保真重建又可能将异常纳入其中。本文通过提出一种两阶段方法解决该矛盾，其生成高保真且无异常的重建结果。我们的无监督两阶段异常检测（UTAD）依赖两个技术组件，即 Impression Extractor（IE-Net）与 Expert-Net。IE-Net 与 Expert-Net 完成两阶段无异常图像重建任务，同时生成直观的中间结果，使整个 UTAD 具备可解释性。大量实验表明，我们的方法在四个含不同类型真实物体与纹理的异常检测数据集上优于 SOTA 方法。
引用
@article{arxiv.2103.11671,
title = {Unsupervised Two-Stage Anomaly Detection},
author = {Yunfei Liu and Chaoqun Zhuang and Feng Lu},
journal= {arXiv preprint arXiv:2103.11671},
year = {2021}
}