DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection

分享人：张健
研究方向：异常检测
论文题目：DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection
论文作者：Vitjan Zavrtanik, Matej Kristan, Danijel Skočaj
作者单位：卢布尔雅那大学
论文摘要：视觉表面异常检测旨在检测出明显偏离正常外观的局部图像区域。 最近的地表异常检测方法依赖于生成模型来精确地重建正常区域，而在异常情况下则会失败。 这些方法只在没有异常的图像上训练，通常需要手工的后处理步骤来定位异常，这阻碍了优化特征提取以获得更优的检测能力。 除重构方法外，我们将地表异常检测主要视为判别问题，并提出了一种判别训练的重构异常嵌入模型(DRÆM)。 该方法学习异常图像及其无异常重建的联合表示，同时学习正常和异常示例之间的决策边界。 该方法可以实现直接的异常定位，而不需要对网络输出进行额外复杂的后处理，并且可以使用简单和通用的异常模拟进行训练。 在具有挑战性的MVTec异常检测数据集上，DRÆM在很大程度上优于当前最先进的无监督方法，甚至在广泛使用的DAGM表面缺陷检测数据集上提供了接近全监督方法的检测性能，同时在定位精度方面大大优于它们。代码在github.com/VitjanZ/DRAEM。
原文链接：

点击此处