Fastflow【异常检测：Normalizing Flow】

前言

papers with code网站整理的在MVTec数据集上排名为2（截止博文发出时间）。

源码（非官方）：https://github.com/gathierry/FastFlow

背景

获得全局和局部特征的方法：分布、多尺度、滑动窗口。典型分布有center of an n-sphere/Gaussian/KNN(k nearest neighbors)

思想：通过预训练网络获取正常图像特征，再利用统计学方法建模分布，通过分布做测试。Normalizing Flow是统计学方法的一种。训练的过程是不断拟合以达到这堆正常图像特征出现的最大概率。

FastFlow可以作为插入模块，使用不同的特征提取器（vision transformer（最后的一层特征就有较强的捕捉局部与全局关系的能力）or resnet）。

模型原理

感觉是Glow模型的修改，耦合层改动卷积块（交替的卷积核设计是为了平衡精确度和速度），排序层使用RealNVP模型的随机排序，大道至简吗。

研究一下Normalizing Flow里的Shuffle原理。 

 

实验

对比实验：与不同模型对比执行速度，参数量，图像检测、定位精度；与不同模型在不同数据集上对比。

消融实验：选择不同的卷积核组合及不同的特征提取器做对比。

补充

论文提到的CutPaste（密度估计，多维高斯分布计算均值方差，使用聚类算法），vision transformer（能够学习全局和局部信息，两种典型方法Deit、CaiT）

参考：

FrEIA：https://blog.csdn.net/qq_41804812/article/details/124477478