.png){kind=icon}
返回
SoftPatch plus : Fully unsupervised anomaly classification and segmentation
.png){kind=icon}
OA
AI
DOI：10.1016/j.patcog.2024.111295.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管主流的无监督异常检测（AD）（包括图像级分类和像素级分割）算法在学术数据集上表现良好，但由于训练数据理想化的实验设置，其实际应用性能受限。使用噪声数据进行训练是现实世界异常检测中不可避免的问题，但鲜有讨论。本文首次考虑了完全无监督的工业异常检测（即带有噪声数据的无监督AD）。为解决此问题，我们提出了基于记忆的无监督AD方法SoftPatch和SoftPatch+，它们在补丁级别高效地实现数据去噪。利用噪声判别器在构建核心集之前生成离群分数，以实现补丁级别的噪声消除。这些分数随后存储在记忆库中以软化异常检测边界。与现有方法相比，SoftPatch保持了正常数据的强大建模能力，并缓解了核心集中的过度自信问题，而SoftPatch+具有更稳健的性能，尤其适用于高噪声水平（10%至40%）的现实工业检测场景。在多样化噪声场景下进行的全面实验表明，SoftPatch和SoftPatch+在MVTecAD、ViSA和BTAD基准上均优于当前最先进的AD方法。此外，在传统的无监督AD设置中，SoftPatch和SoftPatch+的性能与无噪声方法相当。所提方法的代码可在https://github.com/TencentYoutuResearch/AnomalyDetection-SoftPatch找到。
Keyword:
Anomaly detection
Unsupervised learning
Learn with noise
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏分享收藏CFA: Coupled-Hypersphere-Based Feature Adaptation for Target-Oriented Anomaly Localization.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Omni-Frequency Channel-Selection Representations for Unsupervised Anomaly Detection用于无监督异常检测的全频率通道选择表示OAAI
OAAI分享收藏
查看更多内容