CutPaste：Self-Supervised Learning for Anomaly Detection and Localization

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）