Learning Multi-View Anomaly Detection With Efficient Adaptive Selection

doi:10.1109/TMM.2026.3660076

Learning Multi-View Anomaly Detection With Efficient Adaptive Selection

2026-02-03

0

PRE

AI

DOI：10.1109/TMM.2026.3660076

原文链接

原文求助

摘要

En 中文

本研究探讨了近期提出的具有挑战性的多视角异常检测（AD）任务。单视角任务会遇到其他视角的盲区，导致样本级预测不准确。因此，我们引入了多视角异常检测（MVAD）方法，该方法学习和整合多视角特征。具体而言，我们提出了多视角自适应选择（MVAS）算法，用于多视角特征学习和融合。特征图被划分为邻域注意力窗口，用于计算单视角窗口与其他所有视角之间的语义相关矩阵，这是一种针对每个单视角窗口和最相关的多视角窗口（top-k）的注意力机制。通过调整窗口大小和top-k可以最小化复杂度至O((hw)^(4/3))。在Real-IAD数据集的多类别设置下进行的广泛实验验证了该方法的有效性，实现了最先进的表现，在样本/图像/像素级别上，使用仅18M参数，在10项指标中平均提升+2.5↑，且需要的FLOPs和训练时间更少。

Keyword:

Anomaly detection

attention mechanism

multi-view learning

Learning Multi-View Anomaly Detection With Efficient Adaptive Selection

摘要

期刊

机构

引用论文