Aug, 2023

消除工业异常检测中的表示偏差

PDF
TL;DR通过考虑预训练模型的领域偏差，建立自我监督学习任务以实现更好的领域适应性，并采用缺陷生成策略来减少偏差，在局部密度 KNN（LDKNN）中减少局部密度偏差以实现有效的异常检测。在常用的 MVTec AD 基准测试中，获得了 99.5% 的 AUROC，挑战性的 MVTec LOCO AD 数据集获得了 88.0% 的 AUROC，相比最新结果提高了 4.7% 的 AUROC，这表明 REB 对实际工业应用的有效性和高效性。
k-nearest neighboranomaly detectiondomain biaslocal densitydefect detection
发现论文，激发创造
  • 通过单类嵌入的反向蒸馏进行异常检测

    提出了一种基于知识蒸馏的教师 - 学生（T-S）模型，利用反向蒸馏范式和可训练的单类瓶颈嵌入（OCBE）模块，从高级别到低级别的特征逐渐地传递知识，在 AD 和单类新颖性检测基准测试中实现了卓越的性能，提高了对异常检测和单类分类的准确性。

    Jan, 2022

  • ReContrast：通过对比重构实现领域特定的异常检测

    本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

    Jun, 2023

  • 多分辨率知识蒸馏用于异常检测

    本研究旨在通过将专家网络的特征进行 “蒸馏” 以学习无监督表示，并使用这些特征检测和定位异常区域，证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识，并显著提高在多个数据集上进行异常检测和定位的性能。

    Nov, 2020

  • 基于 RGB-D 数据的工业异常检测双支路重构网络

    基于 RGB-D 输入，我们提出了一种轻量级的双分支重建网络 (DBRN)，通过学习正常和异常样本之间的决策边界，使用深度图而不是点云输入来消除两种模态之间的对齐要求，并引入了一个重要性评分模块来辅助融合这两种模态的特征，从而在 MVTec 3D-AD 数据集上实现了 92.8% 的 AUROC，并具有很高的推理效率，无需使用大型预训练模型和记忆库。

    Nov, 2023

  • 基于知识驱动的自我训练的重建式异常定位

    本文提出了一种名为知识驱动自训练（KIST）的新型重建方法，通过自学习将知识融入重建模型中，利用弱标记的异常样本和领域专家总结的异常知识，生成像素级伪标签，实现对正常像素的重建同时抑制异常像素的重建，从而在异常定位任务中取得比现有重建方法更好的性能。

    Feb, 2024

  • 针对数据集偏差的 CNN 表示研究

    本研究提出了一种简单而有效的方法来诊断 CNN 的特征表示，以发现由数据库偏差引起的表示缺陷和失败模式，并使用隐含属性关系和基础真相关系进行比较来挖掘潜在关联性。实验表明该方法的有效性。

    Oct, 2017

  • 学习统一的参考表示用于无监督多类异常检测

    提出了一种名为 RLR（从可学习的参考表示中重建特征的异常检测框架）的新型统一特征重建型异常检测框架，利用可学习的参考表示明确地使模型学习正常特征模式，从而防止模型受到 ' 学习捷径 ' 问题的影响，并融入了局部约束和掩码可学习键注意机制以增强鲁棒性。在 15 个类别的 MVTec-AD 数据集和 12 个类别的 VisA 数据集上评估 RLR，在统一设置下表现出比现有方法更优秀的性能。RLR 的代码将公开发布。

    Mar, 2024

  • 无监督异常定位的子空间感知特征重构

    我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

    Sep, 2023

  • 工业异常检测与定位的噪声到规范重构

    提出了一种基于重建的方法，利用噪声到规范范式来检测工业质量检测中的异常，通过多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。

    Jul, 2023

  • ReConPatch：用于工业异常检测的对比补丁表示学习

    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