【异常检测】patchcore：Towards Total Recall in Industrial Anomaly Detection

CVPR2022异常检测论文

论文链接：https://arxiv.org/abs/2106.08265

引言

背景

1.工业缺陷检测非常困难，因为错误可能从细微变化到较大的结构缺陷不等

2.冷启动问题：仅使用无缺陷的图像训练模型。

3.工业异常检测的最佳方法将ImageNet 预训练的模型与异常检测模型相结合。

动机

1.解决以上的问题

2.解决 ImageNet 预训练网络中的深层特征更偏向于自然图像分类任务的问题。

网络结构 

在训练阶段，首先提取中间层特征 ,然后提取patch特征，得到Memory Bank，用coreset Subsampling减小Memory Bank的大小，得到最终的Memory Bank(存储patch特征）。

 在测试阶段，提取测试图片的patch特征，将其patch特征与Memory Bank中的特征进行比较，用NN Search进行异常判别，得到异常分数，进行异常检测和定位。

Locally aware patch features 

PatchCore使用在ImageNet上预先训练的网络φ，采用ResNet-50 / WideResNet-50 进行特征提取

1.创建一个存储块M,存储patch features

2.从中间层获取特征

3. 采用局部邻域聚合的方法来增加感受野，然后合并特征

 具体步骤

 1.提取邻域的特征

 2.合并邻域的特征集合（采用Adaptive Average Pooling)，组合feature map

3.局部特征集合

 

 4.遍历整个数据集，取并集，得到特征存储块M

 Coreset Subsampling

用贪心策略进行核心集子采样

伪代码如下：

 

Johnson-Lindenstrauss:输入N个向量，无论他们多少维，都可以把维度降到log N

 降维思路：

 效果：

Anomaly Detection with PatchCore

1.提取Patch特征

2.计算p(x test)到M的距离

实验