【论文笔记（8）】PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and Localization

Abstract

我们提出了一个新的Patch分布建模框架，在单类学习的设置下，PaDiM同时检测和定位图像中的异常在。PaDiM利用一个预先训练好的卷积神经网络(CNN)进行patch嵌入，利用多元高斯分布得到正常类的概率表示。它还利用了CNN的不同语义级别之间的相关性来更好地定位异常。PaDiM在MVTec AD和STC数据集上的异常检测和定位方面优于当前最先进的方法。为了匹配真实世界的视觉工业检查，我们扩展了评估协议，以评估非对齐数据集上异常定位算法的性能。PaDiM最先进的性能和低复杂度使其成为许多工业应用的良好候选。

Introduction

人类能够在一组同质自然图像中检测出异质或意外的模式。这种任务被称为异常检测，并有大量的应用，其中就包括视觉工业检查。然而，异常在生产线上是非常罕见的事件，手动检测很麻烦。因此，异常检测自动化可以通过避免减少操作员注意力持续时间和方便操作员工作来实现持续的质量控制。在本文中，我们主要关注于异常检测，特别是在工业检查的背景下的异常定位。在计算机视觉中，异常检测就是给图像一个异常分数。异常定位是一项更为复杂的任务，它给每个像素或像素的每个补丁分配一个异常值，以输出一个异常地图。因此，异常定位产生更精确和可解释的结果。通过我们的方法在MVTec异常检测(MVTec AD)数据集[1]的图像中进行异常定位的异常图示例如图1所示。