近年來，異常檢測在工業(yè)缺陷檢測、醫(yī)療診斷，自動駕駛等領(lǐng)域有著廣泛的應(yīng)用。“異常”通常定義為 “正常” 的對立面，即所有不符合正常規(guī)范的樣本。通常來說，相比于正常，異常事件的種類是不可窮盡的，且十分稀有，難以收集，因此不可能收集詳盡的異常樣本進(jìn)行訓(xùn)練。因此，近期關(guān)于異常檢測的研究主要致力于無監(jiān)督學(xué)習(xí)，即僅使用正常樣本，通過使用單類別（one-class）分類，圖像重建（reconstruction），或其他自監(jiān)督學(xué)習(xí)任務(wù)對正常樣本進(jìn)行建模，之后，通過識別不同于模型分布的樣本來檢測異常。

大多數(shù)現(xiàn)有的異常檢測方法都專注于為每個異常檢測任務(wù)訓(xùn)練一個專用模型。然而，在諸如缺陷檢測之類的真實(shí)場景中，考慮到要處理數(shù)百種工業(yè)產(chǎn)品，為每種產(chǎn)品均收集大量訓(xùn)練集是不劃算的。對此，上海交通大學(xué) MediaBrain 團(tuán)隊和上海人工智能實(shí)驗室智慧醫(yī)療團(tuán)隊等提出了一個基于配準(zhǔn)的少樣本異常檢測框架，通過學(xué)習(xí)多個異常檢測任務(wù)之間共享的通用模型，無需進(jìn)行模型參數(shù)調(diào)整，便可將其推廣到新的異常檢測任務(wù)。目前，這項研究已被 ECCV2022 接收為 Oral 論文，完整訓(xùn)練代碼及模型已經(jīng)開源。

方法簡介

在這項工作中，少樣本異常檢測通用模型的訓(xùn)練受到了人類如何檢測異常的啟發(fā)。事實(shí)上，當(dāng)嘗試檢測圖像中的異常時，人們通常會將該檢測樣本與某個已經(jīng)被確定為正常的樣本進(jìn)行比較，從而找出差異，有差異的部分就可以被認(rèn)為是異常。為了實(shí)現(xiàn)這種類似于人類的比較的過程，本文作者采用了配準(zhǔn)技術(shù)。本文作者認(rèn)為，對于配準(zhǔn)網(wǎng)絡(luò)而言，只要知道如何比較兩個極度相似的圖像，圖像的實(shí)際語義就不再重要，因此模型就更能夠適用于從未見過的異常檢測新任務(wù)。配準(zhǔn)特別適用于少樣本異常檢測，因為配準(zhǔn)可以非常方便地進(jìn)行跨類別推廣，模型無需參數(shù)微調(diào)就能夠快速應(yīng)用于新的異常檢測任務(wù)。

上圖概述了基于配準(zhǔn)的少樣本異常檢測的框架。與常規(guī)的異常檢測方法（one-model-per-category）不同，這項工作（one-model-all-category）首先使用多類別數(shù)據(jù)聯(lián)合訓(xùn)練一個基于配準(zhǔn)的異常檢測通用模型。來自不同類別的正常圖像一起用于聯(lián)合訓(xùn)練模型，隨機(jī)選擇來自同一類別的兩個圖像作為訓(xùn)練對。在測試時，為目標(biāo)類別以及每個測試樣本提供了由幾個正常樣本組成的支撐集。給定支撐集，使用基于統(tǒng)計的分布估計器估計目標(biāo)類別注冊特征的正態(tài)分布。超出統(tǒng)計正態(tài)分布的測試樣本被視為異常。

這項工作采用了一個簡單的配準(zhǔn)網(wǎng)絡(luò)，同時參考了 Siamese ［1］， STN ［2］ 和 FYD ［3］。具體地說，以孿生神經(jīng)網(wǎng)絡(luò)（Siamese Network）為框架，插入空間變換網(wǎng)絡(luò)（STN）實(shí)現(xiàn)特征配準(zhǔn)。為了更好的魯棒性，本文作者利用特征級的配準(zhǔn)損失，而不是像典型的配準(zhǔn)方法那樣逐像素配準(zhǔn)，這可以被視為像素級配準(zhǔn)的松弛版本。

實(shí)驗結(jié)果

在與其他少樣本異常檢測方法的比較上，RegAD 無論在檢測性能、適用到新類別數(shù)據(jù)的自適應(yīng)時間上，相比于基準(zhǔn)方法 TDG ［4］ 和 DiffNet ［5］ 都有顯著的優(yōu)勢。這是由于其他的方法都需要針對新的類別數(shù)據(jù)進(jìn)行模型的多輪迭代更新。另外，RegAD 相比于沒有進(jìn)行多類別特征配準(zhǔn)聯(lián)合訓(xùn)練的版本（RegAD-L），性能也得到了顯著的提升，體現(xiàn)出基于配準(zhǔn)的通用異常檢測模型的訓(xùn)練是十分有效的。本文在異常檢測數(shù)據(jù)集 MVTec ［6］ 和 MPDD ［7］ 上進(jìn)行實(shí)驗。更多的實(shí)驗結(jié)果和消融實(shí)驗可參考原論文。

此外，作者還展示了異常定位可視化的結(jié)果。可以看到，聯(lián)合訓(xùn)練可以使得模型的異常定位變得更加準(zhǔn)確。

T-SNE 的可視化也顯示出，基于配準(zhǔn)的訓(xùn)練可以使得同類別的正常圖像特征變得更加緊湊，從而有利于異常數(shù)據(jù)的檢出。

總結(jié)

這項工作主要探索了異常檢測的一個具有挑戰(zhàn)性但實(shí)用的設(shè)置：1）訓(xùn)練適用于所有異常檢測任務(wù)的單一模型（無需微調(diào)即可推廣）；2）僅提供少量新類別圖像（少樣本）；3）只有正常樣本用于訓(xùn)練（無監(jiān)督）。嘗試探索這種設(shè)置是異常檢測走向?qū)嶋H大規(guī)模工業(yè)應(yīng)用的重要一步。為了學(xué)習(xí)類別無關(guān)的模型，本文提出了一種基于比較的解決方案，這與流行的基于重建或基于單分類的方法有很大不同。具體采用的配準(zhǔn)模型建立在已有的配準(zhǔn)方案基礎(chǔ)上，充分參考了現(xiàn)有的杰出工作 ［1，2，3］，在不需要參數(shù)調(diào)整的前提下，在新的異常檢測數(shù)據(jù)上取得了令人印象深刻的檢測效果。