Abstract
论文提出了一种高性能的异常检测模型,可以不依赖于异常样本来检测未知的异常。论文框架为two-stage,首先学习自监督的表示,并在学习的表示上建立一个单类分类器,通过将cutpaste的图像与正常图像进行一个分类,cutpaste(可以作为以后研究的一种方法,来创建异常,前面知道产生异常,还可以用柏林噪声),cutpaste技术主要是通过图片剪切,然后粘贴到其他位置来构造负样本。
现在异常检测的难点为:
1、很难获得异常数据,无论是标记的,还是未标记的(本文用cutpaste来获得了异常样本
2、正常样本和异常样本之间的缺陷可能很小(通过分块来实现)
本文模型架构的核心为通过解决代理任务来学习自监督的表示,然后在学习到的表示上建立一个单类分类器,来区分异常样本和正常样本,然后进入第二阶段,进行异常检测和定位,将图像输入训练好的CNN中,CNN能区分异常样本和正常样本,说明了具有提取出使异常样本为异常的特征,将正常样本通过训练,训练出GDE,然后通过马氏距离得到图像的分数(马氏距离,文中并没用提及,但是代码中涉及了),然后通过GradCAM得到异常图像,具体架构如下图所示:
本文的创新点为:设计一种新的代理任务,用于自监督,意思为:设计了一个新的方法cutpaste,来训练单分类模型
下面叙述一下cutpaste及其相关的方法:
之前定义好的方法为旋转,平移,翻转等,还要对比学习,能成功的区分正常值和异常值,但是这些方法大多数是专注于检测语义的异常值,不能检测细粒度的异常缺陷,检测局部缺陷是次优的,而且虽然在学习语义概念的表示效率较高,但是规律性较低(意思就是:虽然可能能学到物体的特征是不受其图像中具体位置变化而变化的,但是难以捕捉其连续性,图像都不是连续的或者重复的)所以本文提出了一种新的增强策略cutpaste。
cutout:通过随机颜色的细长矩形来生成异常图像
scar:将遮盖设置为随机颜色和形状
cutpaste:从图像本身中截取一段矩形区域,然后覆盖到另一个区域
为了进一步防止学习天真的决定规则(很容易构建一个网络),用于区分增强图像和鼓励模型学习不规则性,我们提出了如下的cuspaste增强:
1、从一个正常训练图像中剪切一个大小和长宽比可变的小矩形区域
2、可以选择:旋转或者抖动块中的像素值
3、将块粘贴回图像中的随机位置
三种类型与正常样本都有比较好的一个区分度
模型中的目标函数定义为:
为一个二分类的交叉熵函数,这是整体图像的
下面为分块了的目标函数定义:
在异常评分的时候,还是通过马氏距离来计算评分(但是要通过正常样本进行一个预先的计算)