通过类别不可知的注册学习来检测少数镜头异常
IEEE transactions on neural networks and learning systems
|October 3, 2024
概括
这项研究引入了一种新的几次射击异常检测 (FSAD) 框架,该框架学习了无类别的表示. 这种方法使单个模型能够在不需要再培训的情况下检测新类别中的异常,从而提高效率.
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:
- 传统的异常检测 (AD) 方法需要特定类别的模型,导致高计算成本和低效率.
- 现有的范式与现实世界的应用程序扎,因为每个新类别都需要广泛的,标记的数据集.
- 类似人类的异常检测,将新型实例与已知的正常实例进行比较,提供了一个替代范式.
研究的目的:
- 提出一种新的几次射击异常检测 (FSAD) 框架,克服特定类别模型的局限性.
- 开发一种计算效率高且可通用的AD解决方案,适用于新类别,无需微调.
- 为了使类别无关的表示能够进行自我监督的学习,以进行可靠的异常识别.
主要方法:
- 利用图像注册作为一个代理任务,用于使用正常图像进行自我监督,类别无关的表示学习.
- 开发了一个框架,其中测试图像与同一类别的普通图像的小型支持集进行比较.
- 从注册图像中利用对齐的特征来识别异常,使得对未见的类别进行概括.
主要成果:
- 在FSAD基准指标上实现了最先进的 (SOTA) 性能,在MVTec上提高了11.3%,在MPDD上提高了8.3%.
- 证明了模型在不需要任何模型微调的情况下对新型测试类别进行概括的能力.
- 验证了拟议的基于注册的,无关类别的方法的有效性,以有效地检测异常.
结论:
- 拟议的FSAD框架通过消除对特定类别模型的需求,在异常检测方面取得了重大进展.
- 这种方法为现实世界的异常检测任务提供了一个计算效率高和高度通用的解决方案.
- 该框架代表了第一个能够处理新型类别而无需微调的FSAD方法,为更广泛的应用铺平了道路.
