通过多尺度对比记忆进行统一异常检测
概括
这项研究引入了一种新的两阶段深度异常检测方法,使用多尺度的正常原型. 它在无监督和不平衡的监督环境中实现了卓越的性能,解决了当前模型的局限性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度异常检测模型与边缘情况的正常样本和不同的异常尺度相斗争.
- 目前的方法对于无监督 (UNS) 和不平衡监督 (IMS) 异常检测设置都缺乏统一的框架.
研究的目的:
- 开发一种新的,统一的深度异常检测框架,解决UNS和IMS设置中的局限性.
- 为了提高对边缘正常样本的稳定性,并在各种异常尺度上保持性能.
主要方法:
- 一种利用多尺度正常原型进行异常偏差评分的两阶段方法.
- 增强记忆的对比学习用于联合表示和多尺度记忆模块学习.
- 一个基于距离的异常探测器,使用学习的原型计算空间偏差图.
主要成果:
- 在各种异常 (对象,风格,本地) 和应用 (工业检查,面部防伪) 上,超越了最先进的 (SoTA) 模型.
- 达到与SoTA分销外探测器相提并论的性能.
- 在UNS和IMS设置中表现出卓越和一致的性能,这是该领域的首例.
结论:
- 拟议的方法为在UNS和IMS场景中进行深度异常检测提供了强大的和统一的解决方案.
- 多尺度原型方法有效地捕捉正常数据特征,并适应异常复杂性.
- 这项工作提升了异常检测能力,特别是对于具有挑战性的边缘案例和各种异常类型.
