异常检测论文（一）：CutPaste

CutPaste: Self-Supervised Learning for Anomaly Detection and Localization

（基于自监督学习的图像异常检测的定位方法）

1 摘要

       一个高性能的缺陷检测模型，能够在没有异常数据的情况下检测出未知的异常缺陷（即没有异常数据标签也可以学习到检测异常的能力）。该篇论文提出了一个两阶段框架：首先学习到自监督的深度表示，然后在学习到的表示上构建一个单分类器one-class classifier.

2 具体框架

       深度表示的学习：通过CutPaste！！CutPaste流程：对于一个输入样本，

1. 先随机cut一个小的任意大小的矩形区域patch
2. 选择性的对该patch进行旋转或改变像素值操作
3. 将改变后的patch paste到原样本的任意一个地方

经过CutPaste之后可以得到一个假定的异常样本，此假定的异常样本和真实的异常样本相似，相当于可以构建异常样本的数据集进行学习训练。CutePaste的具体流程可见下图2.1

10

图2.1 同一个CNN判别网络，可将CutPaste之后的图像判别为异常

创建了完整的有正常有异常的样本之后，再利用神经网络进行学习，目标函数为：

其中CP表示CutPaste, g表示经过神经网络学习之后的判别分类器，CE表示交叉熵损失，即LCP可以表示该分类器鉴别正常与异常的能力，LCP越小，能力越强。

以上流程是完整的训练过程，通过CutPaste创建异常数据进行训练，但是注意CutPaste虽然与一些缺陷很类似，但是并不能完全代替所有缺陷，只是在训练过程中，将经过CutPaste之后的样本放入神经网络中学习到的embeding与异常样本的embeding有同样的异常性。即第一阶段只是学习正常和异常的深度表示，即embeding！

       第二阶段，解决如何正确判别embeding是正常还是异常：DGE（Gaussian Distribution Estimination），利用GDE计算异常分，某个值以下的判定为异常。此阶段指针对测试阶段。

3 缺陷定位

       若图片判断为异常，则将其cut成多个patch，然后对patch计算异常得分，异常的patch中则有缺陷的存在。

参考文章：https://blog.csdn.net/qq_34809969/article/details/119183149

参考代码（非官方）：https://github.com/Runinho/pytorch-cutpaste