基于预训练分割模型的零样本异常检测
计算机视觉与模式识别
2023-06-16 v1 机器学习
摘要
本技术报告概述了我们提交至2023年视觉异常与新奇检测（VAND）挑战赛零样本赛道的方案。在WINCLIP框架性能的基础上，我们旨在通过集成零样本分割模型来增强系统的定位能力。此外，我们执行前景实例分割，使模型能够聚焦于图像的相关部分，从而让模型更好地识别微小或细微的偏差。我们的流程无需外部数据或信息，可直接应用于新数据集。我们的团队（Variance Vigilance Vanguard）在VAND挑战赛零样本赛道中排名第三，并在VisA数据集上以样本/像素级别取得了81.5/24.2的平均F1-max分数。
引用
@article{arxiv.2306.09269,
title = {Zero-Shot Anomaly Detection with Pre-trained Segmentation Models},
author = {Matthew Baugh and James Batten and Johanna P. Müller and Bernhard Kainz},
journal= {arXiv preprint arXiv:2306.09269},
year = {2023}
}
备注
Ranked 3rd in zero-shot track of the Visual Anomaly and Novelty Detection (VAND) 2023 Challenge