Learning Memory-guided Normality for Anomaly Detection

论文链接：Learning Memory-guided Normality for Anomaly Detection

开源代码：https://github.com/cvlab-yonsei/MNAD

创新点：提出了不同正常模式的记忆模块，可以有效地记忆正常数据的多样性。在这篇论文中，作者认为CNN特征的表达能力很强，很可能会将正常数据重构成异常数据。在这种情况下，他将正常数据分成若干种模式，也就是将正常数据予以区别，在记忆模块里表现为M个记忆单元（其实也就是M个特征向量）。当通过Encode提取到了CNN特征时，不是直接进行重构，而是从记忆单元中按照匹配概率（K个queries 与 M个items 的cosin相似度）读取信息，然后与原来的CNN特征在通道上连接，送入Decode中。这可以有效让模型理解正常数据，不至于将正常数据重构成异常数据。对于记忆模块的更新，它通过查询与记忆单元最近的queries（也就是一个个特征向量），利用这些queries更新记忆单元。

正常数据的多样性如图所示，左边是加了记忆模块，可以很好地区别正常数据，右边是没有记忆模块，不能理解正常数据地多样性。

实验结果：