注意导向的图像异常检测与定位
关注问题
异常的检测和定位
难点
- 真实场景下异常样本非常少
- 图像中异常位置像素覆盖面积很小
动机
之前的工作需要训练异常图像来计算出检测和定位的阈值,为了去掉这个约束,作者提出一种“基于引导注意的卷积对抗性变分自编码器(CAVGA)”,这个模型通过卷积隐藏变量来保存空间信息完成异常的定位。
在无监督模式下 ,作者提出一个“注意扩张损失”,期望在不使用异常图像训练情况下,模型的注意能够关注图像的所有正常区域。
在弱监督模式下,作者提出一种“互补引导注意损失”,期望正常注意覆盖全图同时最小化正常图像中的异常注意覆盖区域。
贡献
1.提出CAVGA网络,其中使用卷积潜变量,以保持输入和潜变量之间的空间关系,而不是变成一维向量
2.提出attention expansion loss,使无监督模式下的注意是关注正常图像的所有区域。
3.提出complementary guided attention loss,对分类器分类正确的正常图像,最大化其正常注意同时最小化异常注意。
4.在多个数据集上实现SOTA。