PatchCore：Towards Total Recall in Industrial Anomaly Detection，基于记忆库的工业异常检测典型方法

1 论文情况

        本文为基于记忆库的异常检测典型方法，在SPADE等模型的基础上改进实现了当时最好的效果，SPADE的论文详解请见主页。本文发布于CVPR2022，论文地址为论文，代码仓库地址为仓库，代码已开源。

2 Introduction

        当时异常检测的方法主要集中在单分类方法上，工业异常检测依赖于建模正常数据的分布，比如自编码方法和GANs。最近也有一些方法比如SPADE利用在ImageNet上训练的分类特征无适应迁移到异常检测，实现了较强的异常检测和定位功能，这些方法利用了深度特征的多尺度特性，实现了测试样本和正常样本之间的匹配。异常分割往往由高像素的特征实现，而图像级的异常检测则依赖于更高维更抽象的特征，因此受到少量可提取的高维特征影响。

        本文针对上述问题，构建了PatchCore网络，具有一下三个优点：① 推理时，最大化地使用正常信息，②减少和ImageNet种类之间的偏差，③ 保留高推理速度。一般当单个图像块异常时整个图像则被判为异常，因此PatchCore使用了中水平的特征块，以此保留高像素的同时能获取充足的空间上下文信息，另外PatchCore还引入了贪婪的中心采样算法以此减少内存冗余，提高推理速度。最终可以发现仅使用少部分的正常样本就可以匹敌SOTA方法，证明了其样本高效性，下面将具体介绍本文的方法。

3 Method

        PatchCore主要由三个部分组成：Locally aware patch features，Coreset-reduced patch-