基于多尺度记忆库的像素级无监督工业异常检测

来源：计算机应用杂志2024年第11期北京时间：

作者：刘永江, 陈斌

单位：1.中国科学院 成都计算机应用研究所，成都 610041；2.中国科学院大学，北京 100049；3.哈尔滨工业大学（深圳） 国际人工智能研究院，广东 深圳 518055；4.哈尔滨工业大学 重庆研究院，重庆 401151

摘要：基于特征嵌入的无监督异常检测方法通常使用patch级特征定位异常。patch级特征在图像级异常检测任务上具有竞争力，但在像素级定位方面存在精度不足的问题。为解决这一问题，提出一种由多尺度记忆库与分割网络组成的像素级异常检测方法MemAD。首先，通过预训练的特征提取网络对训练集中的正常样本进行特征提取，构建3个尺度下的正样本特征记忆库；其次，在训练分割网络时，计算模拟的伪异常样本特征与记忆库中距离最近的正样本特征的差特征，进一步引导分割网络学习如何定位异常像素。实验结果表明，MemAD在MVTec AD （MVTec Anomaly Detection）数据集上的图像级和像素级接受者操作特征曲线下面积（AUC）分别达到了98.0%和97.4%，优于大多数的现有方法，验证了它在像素级异常定位中的准确性。

关键词：计算机视觉,无监督异常检测,特征嵌入,记忆库,语义分割