Fractals as Pre-training Datasets for Anomaly Detection and Localization

异常检测在大规模工业制造中至关重要，因为它有助于检测和定位有缺陷的零部件。在大规模数据集上预训练特征提取器是这项任务的一种流行方法。严格的数据安全和隐私规定以及高昂的成本和获取时间阻碍了这些大型数据集的可用性和创建。虽然最近的异常检测研究主要集中在基于这些提取器构建新方法，但预训练所使用的数据的重要性尚未得到研究。因此，我们评估了八种最先进的方法在著名的基准数据集MVTec和VisA上使用动态生成的分形图像进行预训练的性能。与现有文献主要研究分形的迁移学习能力不同，本研究比较了使用分形图像进行预训练的模型与使用ImageNet进行预训练的模型的性能，而没有进行后续微调。尽管使用ImageNet进行预训练仍然是明显的优胜者，但是考虑到异常检测任务需要具有识别即使是微小视觉变化的特征，分形的结果是令人充满希望的。这为一种新的研究方向打开了可能性，即可以在合成的抽象数据集上训练特征提取器，以满足机器学习中不断增长的数据需求，同时规避隐私和安全问题。

论文旨在评估使用动态生成的分形图像进行预训练的方法在异常检测中的表现，以解决大规模工业制造中的异常检测问题。

使用动态生成的分形图像进行预训练，可以在不需要大规模数据集的情况下，提高异常检测的性能。

论文通过实验评估了8种使用动态生成的分形图像进行预训练的方法在MVTec和VisA数据集上的表现，并将其与使用ImageNet进行预训练的方法进行比较。实验结果表明，使用ImageNet进行预训练的方法表现更好，但使用分形图像进行预训练的方法也具有潜力。这为使用合成数据集进行特征提取器训练提供了新的研究方向。

最近的相关研究主要集中在基于预训练特征提取器的新方法的开发上，而本论文则关注了用于预训练的数据的重要性。