工业异常检测中的全面回顾
本文介绍了 AutoPatch,将神经架构搜索应用到分割视觉异常的复杂任务中。提出了加权平均精度(wAP)作为替代 AUROC 和 AUPRO 的度量标准,并提出了一种新的神经架构搜索方法,能够在没有任何训练的情况下高效地进行视觉异常分割。在 MVTec 数据集上,AutoPatch 优于当前最先进的方法 PatchCore,仅使用每个异常类型的一个样本的条件下,FLOPS 少 18 倍以上。
Apr, 2023
本文首次考虑图像感应异常检测中的标签级噪声问题,提出了一种基于记忆的无监督异常检测方法 SoftPatch,该方法能够有效地去噪,并在补丁级别上生成异常分数以软化异常检测边界,在各种噪声场景下,SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法,在无噪声设置下与其他方法效果相当。
Mar, 2024
通过重新审视异常检测(AD)的 “匹配” 性质,我们提出了一个新的 AD 框架,它同时具有新的 AD 准确性记录和极高的运行速度。
Aug, 2023
研究表明对 PatchCore 算法进行超参数优化和迁移用于少样本异常检测及异常分割可以显著提高其性能,并提出了对具有强归纳偏差的特征提取器的研究作为未来的潜在方向。
Jul, 2023
本研究提出了一种名为 ReConPatch 的方法,通过训练与预训练模型相关的线性调制来构建判别性特征,采用对比表示学习来以目标为导向地收集和分布特征,实现了无需大量输入增强即可实现强健的异常检测性能。
May, 2023
提出了一个基于联合局部 - 全局特征、命名为 PointCore 的无监督点云异常检测框架,它仅需一个存储器来保存局部和全局表示,并为这些局部 - 全局特征分配不同的优先级,从而降低了计算复杂性和推理中的匹配干扰。通过引入归一化排名方法来抵抗异常值,调整不同尺度的值以达到概念上的公共尺度,并将密集分布的数据转化为均匀分布。在 Real3D-AD 数据集上的广泛实验表明,与现有方法 Reg3D-AD 和其他竞争方法相比,PointCore 在检测和定位方面不仅具有竞争力的推理时间,还具有最佳性能。
Mar, 2024
本文提出了一个名为异常多分类的新颖而有价值的研究任务,并介绍了一种结合了 RelationNet 和 PatchCore 的基线模型,以及一种数据生成方法和对比学习,旨在在工业场景中实现将 few-shot learning 转化的性能改进。在 MvTec AD 和 MvTec3D AD 上的实验证明了我们方法在这个新任务中表现出优越的性能。
Jun, 2024
ProtoAD 是一种基于原型的神经网络,用于图像异常检测和定位,通过提取正常图像的补丁特征,并通过非参数聚类学习正常补丁特征的原型,构建了图像异常定位网络 ProtoAD,无需训练阶段即可进行端到端的异常检测和定位。
Oct, 2023
工业异常检测是计算机视觉中的重要任务,其实际用途广泛。为了解决处理高分辨率图像时出现的内存消耗问题,本文引入了块状集合的方法,在不修改底层架构的情况下,将输入图像划分为网格状瓦片,并为每个位置训练一个专用模型。通过引入重叠瓦片,利用传统的堆叠集合的优势,进一步提高了异常检测能力。实验证明,我们的方法在满足 GPU 内存限制的情况下,在 MVTec 和 VisA 两个标准异常检测数据集上取得了显著的改进。
Mar, 2024
该研究旨在构建一个高性能的缺陷检测模型,能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架,使用仅有的正常数据来进行异常检测,第一阶段学习自监督的深度表示,第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好,并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习,在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现,并扩展了该框架以从补丁学习和提取表示,无需训练期间标注即可定位损坏区域。
Apr, 2021