《Patch SVDD: Patch-level SVDDfor Anomaly Detection and Segmentation》论文阅读笔记

作者：Jihun Yi[0000−0001−5762−6643] and Sungroh Yoon

出自：ACCV 2020

Introduction：

        单类支持向量机（OC－SVM）

        支持向量数据描述（SVDD）是一种用于异常检测的长期算法，我们使用自监督学习将其深度学习变体扩展到基于补丁的方法。SVDD在内核空间中搜索包含数据的超球。

        本文将Deep SVDD扩展为一种分片检测方法，提出了Patch SVDD。该方法实现了异常分割，提高了异常检测性能。

Background:

2.1 异常检测和分割 

        训练评分函数Aθ，在测试时，具有高Aθ（x）值的输入被视为异常。用于评估评分函数的事

实上的标准度量是受试者工作特征曲线下的面积（AUROC）。

方法：

 3.1 Patch-wise Deep SVDD

 

        该编码器将整个训练数据映射到位于特征空间中的小超球内的特征。损失函数为：（没有偏置项）训练补丁编码器fθ

 

         作者将这种方法扩展到了图2所示，编码器编码每个拼贴元，而不是整个图像。因此，对每个块执行检查。逐块检测有几个优点。第一，在每贴片;如个位置都可以得到检测结果，因此我们可以定位缺陷的位置。其次，这种细粒度检查提高了整体检测性能。

３.２　自监督学习

通过以下损失函数添加自监督学习信号：

 

 

３.３分层编码

        

         将一个输入面片p划分为2 × 2的网格，将它们的特征聚合起来构成p的特征，如图5所示。具有感受野大小K的每个编码器用贴片大小K的自监督任务来训练。在整个实验中，大编码器和小编码器的感受野大小分别设置为64和32。

３.４　生成异常图

        

异常分割图的计算：（逐像素相乘）

 

 

实验：

数据集：MVTECAD，

实验结果：