[论文解读] Unsupervised Anomaly Detection with Multi-scale Interpolated Gaussian Descriptors

Yuanhong Chen, Yu Tian+2 more|arXiv (Cornell University)|Jan 25, 2021

Anomaly Detection Techniques and Applications参考文献 92被引用 10

一句话总结

该论文提出了一种新颖的无监督异常检测与定位方法，利用多尺度插值高斯描述符以提升对训练数据中代表性不足的正常类别之鲁棒性，并检测多尺度的结构化与非结构化异常。通过利用对抗性插值特征与高斯分类器，该方法在 MNIST、Fashion-MNIST、CIFAR10、MVTec AD 及两个医学数据集上均实现了最先进性能。

ABSTRACT

Current unsupervised anomaly detection and pixel-wise anomaly localisation systems are commonly formulated as one-class classifiers that depend on an effective estimation of the distribution of normal images and robust criteria to identify anomalies. However, the distribution of normal images estimated by current systems tends to be unstable for classes of normal images that are under-represented in the training set, and the anomaly identification criteria commonly explored in the field does not work well for multi-scale structural and non-structural anomalies. In this paper, we introduce a new unsupervised anomaly detection and localisation method designed to address these two issues. More specifically, we introduce a normal image distribution estimation method that is robust to under-represented classes of normal images -- this method is based on adversarially interpolated descriptors from training images and a Gaussian classifier. We also propose a new anomaly identification criterion that can accurately detect and localise multi-scale structural and non-structural anomalies. In extensive experiments on MNIST, Fashion MNIST, CIFAR10, MVTec AD and two medical datasets, our approach shows better results than the current state of the art in the standard experimental setup for unsupervised anomaly detection and localisation. Code is available at this https URL.

研究动机与目标

• 解决在训练数据中正常类别代表性不足时，无监督异常检测中正常图像分布估计的不稳定性问题。
• 克服现有异常识别准则在多尺度下检测结构化与非结构化异常的局限性。
• 开发一种结合对抗性插值与高斯分类的新型方法，以实现更稳定的正常分布建模。
• 设计一种新型异常检测准则，能够准确地在多尺度下定位多种类型的异常。
• 在多样化的基准数据集上，实现无监督异常检测与像素级定位的最先进性能。

提出的方法

• 利用训练图像中的对抗性插值描述符生成正常图像分布的鲁棒表征。
• 应用高斯分类器对学习到的插值描述符进行建模，以实现对正常数据分布的稳定估计。
• 引入一种多尺度异常识别准则，用于评估不同空间与特征尺度下的偏差。
• 利用插值特征增强对细微及复杂异常（包括非结构化与结构化模式）的敏感性。
• 在训练过程中仅使用正常图像，以端到端方式无监督地训练模型。
• 在推理阶段，利用学习到的高斯分布与多尺度异常识别准则检测并定位异常。

实验结果

研究问题

• RQ1 对抗性插值描述符是否能提升在代表性不足类别中正常图像分布估计的稳定性？
• RQ2 多尺度异常识别准则是否能有效检测不同图像尺度下的结构化与非结构化异常？
• RQ3 所提出的方法是否在无监督异常检测与定位任务中超越现有最先进方法？
• RQ4 该方法在包括医学影像与自然图像基准在内的多样化数据集上泛化能力如何？
• RQ5 使用插值特征在多大程度上提升了异常定位的准确性？

主要发现

• 所提方法在 MNIST、Fashion-MNIST、CIFAR10 与 MVTec AD 等标准无监督异常检测基准上实现了最先进性能。
• 由于采用对抗性插值描述符，该方法在检测代表性不足的正常类别异常时表现出更优的鲁棒性。
• 多尺度异常识别准则成功以高精度定位了结构化与非结构化异常。
• 该方法在两个医学影像数据集上优于现有最先进方法，表明其具备强大的泛化能力。
• 基于插值描述符训练的高斯分类器即使在正常样本有限的情况下，也能提供稳定且有效的正常分布模型。
• 该方法在多样化数据集上均实现了稳定提升，证实了所提组件的有效性。