论文题目:PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation
文章地址:https://arxiv.org/abs/2010.05903
代码地址:https://github.com/talreiss/PANDA
一、论文简介
1.1论文主要贡献
-
在图像异常检测和分割任务上,证明了一个简单的基线优于目前所有的方法(论文发表于21年)。
-
确定流行的SOTA方法(DeepSVDD)在OCC特征适应方面并不优于线性白化(白化的目的是去除输入数据的冗余信息)。
-
提出了三种有效的防止模型坍塌的方案。
1.2主要任务:
-
异常检测:训练过程中只有正常样本,检测异常样本。
-
异常分割:训练过程中只有正常样本,检测所包含的异常像素,如下图。
-
离群值暴露(Outlier Exposure):训练过程中包含一个辅助的异常数据集。
二、异常检测和分割的一般框架和简单基线
2.1异常检测和分割的一般框架
模型的总体框架(基本步骤):
-
Initial feature extractor初始特征提取器(预训练)
-
Feature adaptation特征自适应(微调)
-
Anomaly scoring异常得分
2.2简单基线
基于作者的模型框架,提出两个简单基线,跳过框架步骤2,只利用一个预训练的模型(例如在ImageNet上预训练的ResNet),不微调,直接将这个模型作为特征提取器,然后结合简单的KNN算法判断样本的正常/异常类别,就能超过许多SOTA的模型。
异常检测的简单基线 Deep Nearest Neighbors(DN2)
特点:
-
预训练模型是ImageNet数据集训练好的大型ResNet(res