Natural Synthetic Anomalies for Self-supervised Anomaly Detection and Localization

分享人：班渺椐
研究方向：视觉异常检测
论文题目：Natural Synthetic Anomalies for Self-supervised Anomaly Detection and Localization
论文作者：Hannah M. Schlüter, Jeremy Tan, Benjamin Hou, Bernhard Kainz
作者单位：帝国理工学院
论文摘要：本文引入了一个简单直观的自我监督任务，即自然合成异常（NSA），用于仅使用正常训练数据来训练用于异常检测和定位的端到端模型。NSA集成了泊松图像编辑功能，可无缝混合来自单张图像的各种尺寸的缩放补丁。这产生了广泛的合成异常，与之前用于自监督异常检测的数据增强策略相比，这些合成异常与自然子图像的不规则性更为相似。本文使用自然图像和医学图像评估所提出的方法。在MVTec AD数据集上的实验表明，经过训练以定位NSA异常的模型可以很好地推广到检测现实世界中先验未知类型的制造缺陷。本文方法整体检测的AUROC达到了97.2，优于之前所有无需使用额外数据集进行学习的方法。代码可在https://github.com/hmsch/natural-synthetic-anomalies获取。
原文链接：

点击此处