[论文解读] SIFT and SURF based feature extraction for the anomaly detection

Šimon Bilík, Karel Horák|arXiv (Cornell University)|Mar 24, 2022

Anomaly Detection Techniques and Applications被引用 6

一句话总结

本文提出使用SIFT和SURF特征提取器作为深度学习在工业图像异常检测中的替代方案。在自建的饼干数据集上评估了半监督学习与单类学习方法，结果表明，使用SURF与单类SVM可达到87.5%的测试准确率和0.92的AUC，与半监督方法性能相当，证明了手工设计特征在无需大量异常训练数据的情况下进行异常检测的可行性。

ABSTRACT

In this paper, we suggest a way, how to use SIFT and SURF algorithms to extract the image features for anomaly detection. We use those feature vectors to train various classifiers on a real-world dataset in the semi -supervised (with a small number of faulty samples) manner with a large number of classifiers and in the one-class (with no faulty samples) manner using the SVDD and SVM classifier. We prove, that the SIFT and SURF algorithms could be used as feature extractors, that they could be used to train a semi-supervised and one-class classifier with an accuracy around 89\% and that the performance of the one-class classifier could be comparable to the semi-supervised one. We also made our dataset and source code publicly available.

研究动机与目标

• 评估SIFT与SURF作为工业图像数据集中异常检测的特征提取器的有效性。
• 比较使用这些特征的半监督学习（有限异常样本）与单类学习（无异常样本）的性能。
• 评估手工设计的特征提取器是否能在异常检测任务中达到或接近基于深度学习方法的性能。
• 提供公开可获取的数据集与代码库，以支持可复现性与进一步研究。

提出的方法

• SIFT与SURF算法从图像中提取关键点描述符，生成表示局部图像结构的高维特征向量。
• 半监督训练设置使用1,000张正常（OK）样本与50张缺陷（NOK）样本；单类设置仅使用1,000张OK样本进行训练。
• 在200张OK与200张NOK的测试集上，对多种分类器——逻辑回归、SVM、SVDD、朴素贝叶斯、kNN及集成树——进行训练与评估。
• 将SIFT与SURF生成的特征向量作为分类器的输入，通过测试准确率与AUC衡量性能。
• 通过90°旋转进行数据增强，将数据集扩展至4,900个样本，并采用边界框裁剪以保证一致性。
• 本研究对比了SIFT与SURF在不同分类器与学习范式下的性能表现，以识别最优配置。

实验结果

研究问题

• RQ1 SIFT与SURF特征提取器能否在工业图像中有效支持异常检测？
• RQ2 在使用SIFT与SURF特征时，单类学习的性能与半监督学习相比如何？
• RQ3 哪种特征提取器（SIFT与SURF）与分类器的组合能实现最高的检测准确率？
• RQ4 在真实世界异常检测中，使用手工特征的单类学习性能是否可与半监督学习相媲美？

主要发现

• 使用SURF与单类SVM的组合在单类学习中取得了87.5%的测试准确率与0.92的AUC，优于其他组合。
• 半监督SVM配合SURF达到89.5%的测试准确率与0.90的AUC，表明在异常样本有限的情况下仍具有优异性能。
• 使用SURF与SVM的单类学习结果与半监督学习相当，表明异常数据并非实现高性能的必要条件。
• SIFT在单类SVDD训练中表现优于SURF，但SURF在其余大多数配置中均持续优于SIFT，准确率与AUC更高。
• 在半监督设置中表现最佳的模型是朴素贝叶斯配合SURF，准确率达到89.0%，AUC为0.92。
• 本研究证实，SIFT与SURF的手工特征可实现接近最先进水平的异常检测性能，在特定设置下可与深度学习方法相媲美。