异常检测论文解读|PANDA：调整预训练特征以进行异常检测和分割

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

1. 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）。

2. 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）。

3. 提出了三种有效的防止模型坍塌的方案。

1.2主要任务：

1. 异常检测：训练过程中只有正常样本，检测异常样本。

2. 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。

3. 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）：

1. Initial feature extractor初始特征提取器（预训练）

2. Feature adaptation特征自适应（微调）

3. 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：

1. 预训练模型是ImageNet数据集训练好的大型ResNet(res