基于场景自适应多尺度特征协同的异常检测算法

来源：计算机技术与发展杂志2025年第09期北京时间：

作者：金治成;贾可;李涵鑫;许昌源;王文润;周记

摘要：异常检测是工业制造、医疗诊断等领域中的重要任务,旨在通过学习正常样本的特征分布,识别出偏离这一分布的异常样本。现有的基于记忆库方法主要依赖预训练模型,但由于工业场景的特殊性和多样性,这些在通用领域预训练的模型往往难以有效泛化到特定的应用场景中,需要针对具体场景进行特化设计。此外,多层特征的简单串联方式在处理高分辨率数据时带来了巨大的内存消耗和计算成本,限制了其在实际场景中的应用。针对这些问题,该文提出了一种基于场景自适应和多尺度特征协同的新方法。首先,通过场景自适应的特征学习策略,使模型针对性地学习工业场景下的关键特征。具体而言,基于目标场景的正常样本特征,构建与实际工业缺陷相似的异常样本,通过这种场景化训练提升模型对特定工业环境下正常与异常模式的识别能力,从而解决了通用预训练模型难以准确捕捉特定场景细节特征的问题。其次,设计了一种多尺度特征协同方法,该方法通过分层特征提取和独立存储策略,充分利用不同网络层次捕获的多尺度特征信息,既保留了浅层特征的细节纹理又包含了深层特征的语义信息,实现了多尺度特征的优化组合。这种分层机制不仅提升了模型对不同尺度异常的检测能力,同时还避免了特征串联带来的冗余计算,有效降低了计算资源需求。为进一步验证该方法的有效性,在MVTec AD等工业视觉数据集上进行了广泛的实验。实验结果表明,该方法在检测精度上优于现有的主流方法,尤其是在处理复杂场景和高分辨率图像时,能够更高效地检测异常,同时显著减少了模型的内存占用和计算成本。

关键词：异常检测;记忆库;表征学习;特征协同;多尺度特征