MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection

在大多数工业场景中，大规模未标记的数据和难以识别的异常是需要克服的紧迫问题。为了解决这个问题，引入了一种新的检测工业表面缺陷的方法学，称为记忆增强和伪标签（MAPL）。该方法首先引入了一种异常模拟策略，通过生成模拟异常样本，显著提高了模型识别罕见或未知异常类型的能力。为了应对异常模拟样本标签缺失的问题，本研究采用了基于单分类器集成的伪标签方法，通过自动选择关键的伪标签超参数，增强了模型在标记数据有限的情况下的鲁棒性。同时，引入了一种记忆增强学习机制，通过分析内存池中的输入样本和正常样本之间的差异，有效地预测异常区域。MAPL采用端到端学习框架，直接从输入数据中识别异常区域，优化了检测的效率和实时性能。通过在最近开发的BHAD数据集（包括MVTec AD [1]、Visa [2]和MDPP [3]）上进行广泛的试验，MAPL实现了86.2%的平均图像级AUROC得分，相比原始的MemSeg [4]模型提高了5.1%。源代码可在https://github.com/jzc777/MAPL上获得。

论文旨在解决工业场景中大量未标记数据和难以识别的异常问题。作者提出了一种名为Memory Augmentation and Pseudo-Labeling（MAPL）的新方法来检测工业表面缺陷。

MAPL方法首先引入了一种异常模拟策略，通过生成模拟异常样本显著提高了模型识别罕见或未知异常类型的能力。其次，采用了基于单分类器集成的伪标签方法来应对异常模拟样本标记不足的问题，并自动选择关键伪标签超参数以增强模型的鲁棒性。同时，引入了一种记忆增强学习机制，通过分析输入样本和记忆池中正常样本之间的差异来有效预测异常区域。最后，MAPL采用端到端学习框架直接从输入数据中识别异常区域，优化了检测的效率和实时性。

论文在最近开发的BHAD数据集上进行了广泛的试验，包括MVTec AD、Visa和MDPP。MAPL的图像级平均AUROC得分为86.2％，比原始MemSeg模型提高了5.1％。作者还提供了开源代码。

在这个领域中，最近还有一些相关研究，如MVTec AD、Visa和MDPP等数据集。