自主监督的蒙面卷积变压器块用于异常检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 异常检测在计算机视觉中对于故障检测,监视和医疗图像分析等任务至关重要.
• 当前的方法通常将异常检测作为仅使用正常数据的单一类别分类.
• 基于重建的方法通过掩盖正常输入的重建错误表明异常.

研究的目的:

• 引入一种新型的自主监督面罩卷积变压器块 (SSMCTB),用于增强异常检测.
• 为了证明拟议区块在各种领域和神经架构中的灵活性和广泛适用性.
• 改进现有的基于重建的异常检测技术.

主要方法:

• 开发了一种新型的自我监督面罩卷积变压器块 (SSMCTB).
• 集成了一个3D掩盖卷积层,用于通道智能关注的变压器,以及一个Huber损失目标.
• 扩展了以前的SSPCAB,增强了自我监督学习能力.
• 将SSMCTB应用于多个最先进的神经模型以检测异常.

主要成果:

• 在五个不同的基准指标上,SSMCTB表现显著改善:MVTec AD,BRATS,Avenue,ShanghaiTech和热稀有事件.
• 除了RGB和监控视频外,还展示了在医学图像和热视频中用于异常检测的适用性.
• 经验结果证实了拟议区块的通用性和灵活性.

结论:

• 新的SSMCTB提供了一种灵活和有效的方法来检测计算机视觉中的异常.
• 区块的架构和自我监督的目标导致了各种任务和数据集的显著性能提升.
• SSMCTB是一个灵活的核心架构组件,适用于各种神经网络用于异常检测.