《PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation》 CVPR2021
论文背景:
近年来,异常检测方向试图利用深度自监督特征学习的进步来获得更好的特征。但令人意想不到的是,一个非常有前途的方向,使用预先训练好的深度特征,大多被忽视了。
方法的提出
为了在异常检测中获得进一步的性能提高,作者使预训练后的特征适应目标分布。虽然迁移学习方法在多类分类问题中已经得到了很好的建立,但单类分类(OCC)设置还没有得到很好的探索。事实证明,朴素的自适应方法通常在监督学习中工作良好,但通常会导致灾难性的崩溃(特征退化)( catastrophic collapse (feature deterioration)),并降低OCC设置中的性能。
作者提出了两种对抗崩溃的方法:
ii) elastic regularization inspired by continual learning
主要贡献
1,,在一个简单的图像异常检测和分割分析中,基线优于现有的所有方法,表明了结果的通用性。
2,识别流行的SOTA方法在OCC特征自适应中并不优于线性白化。
3,提出了几种有效的OCC特征自适应解决方案。
论文的创新:
为了在异常检测中获得进一步的性能提高,我们使预训练后的特征适应目标分布。虽然迁移学习方法在多类分类问题中已经得到了很好的建立,但单类分类(OCC)中还没有得到很好的探索。
结论:
我们首先提出了一种简单的基线方法来进行异常检测和分割,其性能优于最先进的方法。
我们通过提出了一种适应预训练好的特征和减轻(mitigates catastrophic collapse)的方法,进一步改进了强基线。作者表明,我们的结果显著优于当前的方法,同时解决了它们的局限性。
我们分析了我们的方法性能较强的原因。
这是针对异常检测与分割的一个自适应预测特征的