CKM: Continual Anomaly Detection Based on Compact Knowledge Memory

doi:10.1109/tii.2026.3698601

CKM: Continual Anomaly Detection Based on Compact Knowledge Memory

2026-07-29

0

PRE

AI

DOI：10.1109/tii.2026.3698601

原文链接

原文求助

摘要

En 中文

持续异常检测（CAD）将传统异常检测扩展到动态生产环境中，要求模型在识别新产品类别异常的同时不忘却先前学习到的正常模式。现有CAD方法通常在所有类别间共享同一参数，这可能导致跨类别干扰并削弱模型捕获检测细微异常所需精细特征的能力。为解决此问题，我们提出了一个紧凑型知识记忆（CKM）用于CAD。与常规方法不同，CKM通过将学习到的参数投影到紧凑的潜在空间来分离任务特定知识，其中类别特定系数矩阵被独立保留，而共享基矩阵则持续更新并在跨类别联合存储以供后续恢复。CKM包含三个阶段。首先，输入图像由预训练编码器处理以提取多尺度特征。随后，一个精炼模块融合、压缩并过滤这些特征以增强精细特征区分度，再由解码器重建多尺度输出。网络采用动态加权余弦损失进行训练以提升对细微异常的敏感性。其次，CKM将精炼模块和解码器的训练参数分解为紧凑知识，包括共享基矩阵和类别特定系数矩阵。最后，CKM恢复每个类别的紧凑知识以重建输入特征，并选择最相似的重构来计算异常分数，从而实现新类别中的异常检测。实验表明，CKM显著优于现有方法，在CAD中实现了最先进的表现。

Keyword:

Compact representation

continual anomaly detection (CAD)

fine-grained reconstruction

parameter decomposition (PD)

CKM: Continual Anomaly Detection Based on Compact Knowledge Memory

摘要

期刊

机构

引用论文