[论文解读] Towards Total Recall in Industrial Anomaly Detection

Karsten Roth, Latha Pemula+4 more|arXiv (Cornell University)|Jun 15, 2021

Anomaly Detection Techniques and Applications被引用 8

一句话总结

PatchCore 提出了一种新颖且内存高效的工业异常检测方法，利用 ImageNet 预训练模型提取的中层图像块特征构建最大代表性特征库。通过利用局部聚合特征与贪婪核心集子采样，该方法在保持快速推理和高样本效率的同时，实现了最先进性能——在 MVTec AD 上达到 99.6% 的 AUROC。

ABSTRACT

Being able to spot defective parts is a critical component in large-scale industrial manufacturing. A particular challenge that we address in this work is the cold-start problem: fit a model using nominal (non-defective) example images only. While handcrafted solutions per class are possible, the goal is to build systems that work well simultaneously on many different tasks automatically. The best performing approaches combine embeddings from ImageNet models with an outlier detection model. In this paper, we extend on this line of work and propose extbf{PatchCore}, which uses a maximally representative memory bank of nominal patch-features. PatchCore offers competitive inference times while achieving state-of-the-art performance for both detection and localization. On the challenging, widely used MVTec AD benchmark PatchCore achieves an image-level anomaly detection AUROC score of up to $99.6\%$, more than halving the error compared to the next best competitor. We further report competitive results on two additional datasets and also find competitive results in the few samples regime.\freefootnote{$^*$ Work done during a research internship at Amazon AWS.} Code: github.com/amazon-research/patchcore-inspection.

研究动机与目标

• 解决工业异常检测中的冷启动问题，即仅能获取正常（非缺陷）图像用于训练。
• 克服现有方法依赖高层特征且与工业缺陷模式对齐性差的局限性。
• 在测试时最大化可用的正常样本上下文，同时最小化计算成本与推理延迟。
• 实现在新工业数据集上极少或无需微调的高性能异常检测与定位。
• 在极低样本设置下仍保持强劲性能，即使仅提供少量正常样本。

提出的方法

• 从预训练的 ImageNet 主干网络中构建中层、局部聚合的图像块特征记忆库，以捕捉细粒度与结构化模式。
• 使用贪婪核心集子采样减少记忆库中的冗余，显著降低存储需求与推理时间。
• 通过计算测试图像块与记忆库之间的特征匹配得分实现异常检测，得分越高表示越可能是异常。
• 应用空间感知的特征聚合以保留局部上下文信息，提升定位精度。
• 利用主干网络不同层的多尺度特征，检测细微缺陷与结构性缺陷。
• 采用非自适应、迁移学习的方法，避免领域特定的微调，实现跨多样化工业任务的快速部署。

实验结果

研究问题

• RQ1 非自适应、基于迁移的方法是否能在不进行微调的情况下实现工业异常检测的 SOTA 性能？
• RQ2 与高层特征表示相比，中层图像块特征库在检测细微与结构性缺陷方面表现如何？
• RQ3 核心集子采样在多大程度上可降低内存与推理成本而不损害检测性能？
• RQ4 在仅提供少量正常样本的低样本设置下，该方法的有效性如何？
• RQ5 PatchCore 在 MVTec AD 之外的多样化工业基准上是否具备良好的泛化能力？

主要发现

• 在 MVTec AD 基准上，PatchCore 实现了 99.6% 的图像级异常检测 AUROC，比次优方法的误差减少了一半以上。
• 在 MTD 基准上，PatchCore 实现了 97.9% 的 AUROC，与现有 SOTA 方法相当或略优。
• 在 mSTC 数据集上，PatchCore 实现了 91.8% 的像素级 AUROC，创下无监督异常定位的新 SOTA 记录。
• 仅使用一个正常样本时，PatchCore 的性能即可匹配现有 SOTA 方法，展现出卓越的样本效率。
• 得益于核心集子采样，推理速度保持竞争力，使该方法适用于实时工业部署。
• 在检测与定位方面，PatchCore 显著优于 SPADE 与 PaDiM 等方法，尤其在低样本设置下表现更优。