CutPaste Self-Supervised Learning for Anomaly Detection and Localization

CutPaste: Self-Supervised Learning for Anomaly Detection and Localization

用于异常检测和定位的自监督学习

简洁版

问题：异常的检测和定位

现有工作不足：

​ 现有的工作主要关注以对象为中心的自然图像中的检测语义异常值，这种方式在检测细粒度异常方面，没有很好的通用性

​ 现有工作的中数据增强的方式（旋转预测，对比）对检测局部缺陷来说是次优的

**解决问题的挑战: **

1. 很难获取大量异常数据
2. 缺陷很小且细微
3. 精确定位缺陷是一个挑战，很难使用热图式方法进行定位。

本工作的优点:

1. 解决了图像异常检测在高分辨率图像中局部存在各种形式的未知异常缺陷。
2. 设计了一种新的代理任务（a novel proxy task），CutPaste是一种提出的数据增强策略，用于剪切图像块并在图像的随机位置粘贴。
3. 学习到的表示来定位高分辨率图像中的缺陷区域。
4. CutPaste增强是为了产生空间不规则性，作为真实缺陷的粗略近似（这些真实的缺陷在训练时通常无法获取）。
5. CutPaste的自监督学习是通用的，可以用于改进语训练网络，以更好地适应数据。

本工作的可提升性：

​ CutPaste模型基于合成异常检测训练时，缺陷检测的精度比 单个类型缺陷训练的精度有所下降。

问题： 异常的检测和定位

现有工作的不足：

大多数现有的工作主要关注以对象为中心的自然图像中检测语义异常值，这些方法在检测细粒度异常模式并不像在缺陷检测中那样具有良好的通用性。

大多数工作应用现有的方法，例如旋转预测或对比学习，对于检测局部缺陷是次优的。【几何变换(旋转、平移等)在学习语义概念的表示方面是有效的，但在规则性(例如连续性、重复性)则没那么有效】

解决问题的挑战：

在没有缺陷样本的情况下，检测出图像的异常状况。

1. 很难获取大量异常数据，无论是标记的还是未标记的
2. 正常模式和异常模式之间的差异通常是细微的，因为在高分辨率图像中，缺陷区域可能很小且很细微。
3. 精确定位缺陷的一个挑战：当我们的模型学习图像的整体表示时，很难使用热图式方法进行定位。

本工作的优点:

1. 解决了图像异常检测的一种特殊情况，其中在高分辨率图像中局部存在各种形式的未知异常模式。