【Anomaly Detection论文阅读记录】EfficientAD: Accurate Visual Anomaly Detection at Millisecon ...(WACV-2023)

EfficientAD（CVPR-2023）

一.论文涉及的概念

      1. 在线硬例挖掘（Online Hard Example Mining，简称 OHEM）:在训练深度学习模型时，模型往往容易正确分类那些易于分类的“简单”样本，而对那些“难”的样本（即分类错误或者置信度较低的样本）处理较差。在线硬例挖掘技术通常在训练过程中动态选择困难样本，逐步“挖掘”出难度高的样本进行训练。在线硬例挖掘的过程：

• 模型训练：训练模型时，先通过当前网络对训练集中的样本进行初步预测。
• 计算难度：对每个样本，根据其分类错误率或模型置信度（例如，预测概率）来判断其是否为“困难样本”。
• 选择难例：从当前训练批次中选择那些困难的样本，作为当前迭代的训练数据。
• 更新模型：仅对这些选中的困难样本进行进一步训练，通过对样本优化，使得模型能够逐步改进其对困难样本的识别能力。