.png){kind=icon}
返回
Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02809-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测（AD）通常聚焦于工业质量检验和医学病灶检查中的异常区域检测。然而，由于特定场景目标，AD的数据规模相对较小，且与目标检测和语义分割等经典视觉任务相比，评估指标仍显不足。为填补这些空白，本研究首先通过扩展COCO至AD领域，构建了一个大规模且通用的COCO-AD数据集。这为不同方法在该挑战性基准上的公平评估和可持续发展提供了可能。此外，当前如AU-ROC等指标在简单数据集上已接近饱和，阻碍了对不同方法的全面评估。受分割领域指标启发，我们进一步提出了几种更实用的阈值依赖型AD特定指标，即m $${F_{1}}^{.2}_{.8}$$ 、$$\hbox {mAcc}^{.2}_{.8}$$ 、$$\hbox {mIoU}^{.2}_{.8}$$ 和mIoU-max。受生成对抗网络（GAN）逆映射高质量重构能力的启发，我们提出了一种简单但更强大的InvAD框架，以实现高质量特征重构。在多类别无监督设置下，仅训练单个检测模型以检测不同类别的异常，该方法显著提升了基于重构的方法在流行的MVTec AD、VisA及我们新提出的COCO-AD数据集上的有效性。广泛的消融实验证明了InvAD各组件的有效性。完整代码和模型可访问 https://github.com/zhangzjn/ader 。
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
PEDENet: Image anomaly localization via patch emb e dding and density estimationPEDENet: 通过补丁嵌入和密度估计进行图像异常定位
OAAI
OAAI分享收藏分享收藏Beyond Dents and Scratches: Logical Constraints in Unsupervised Anomaly Detection and Localization
OAAI
OAAI分享收藏GPT-4V-AD: Exploring Grounding Potential of VQA-Oriented GPT-4V for Zero-Shot Anomaly Detection
PREAI
分享收藏
查看更多内容