Supervised Anomaly Detection for Complex Industrial Images

自动化视觉检测在各个行业中提高产品质量至关重要。异常检测方法是实现这一目的的强有力工具。然而，现有的公共数据集主要由没有异常的图像组成，限制了在生产环境中应用异常检测方法的实际效果。为了解决这一挑战，我们提出了Valeo Anomaly Dataset（VAD），这是一个新颖的真实工业数据集，包括5000张图像，其中包括2000个具有挑战性的真实缺陷实例，涵盖20多个子类别。鉴于传统的异常检测方法在处理这种数据集时存在困难，我们引入了基于分割的异常检测器（SegAD）。首先，SegAD利用异常图和分割图计算局部统计量。然后，SegAD使用这些统计量和可选的监督分类器得分作为Boosted Random Forest（BRF）分类器的输入特征，得出最终的异常得分。我们的SegAD在VAD（+2.1％ AUROC）和VisA数据集（+0.4％ AUROC）上均取得了最先进的性能。代码和模型公开可用。

解决问题：该论文旨在解决工业生产线上自动化视觉检测的问题，提出一种新的异常检测方法，并针对现有公共数据集中缺乏异常样本的问题，提出了一个新的真实工业数据集。

关键思路：论文提出了一种基于分割的异常检测器（SegAD），它利用异常图和分割图计算局部统计信息，并将这些信息和可选的监督分类器得分作为输入特征，用于Boosted Random Forest（BRF）分类器，得出最终的异常得分。

其他亮点：该论文提出了一个新的真实工业数据集（VAD），包括5000张图像，其中包含超过20个子类别的2000个具有挑战性的真实缺陷实例。SegAD在VAD和VisA数据集上均取得了最先进的性能，并提供了公开可用的代码和模型。

相关研究：最近的相关研究包括使用深度学习的异常检测方法，如基于卷积自编码器的方法和基于生成对抗网络的方法。