论文精读：Towards Total Recall in Industrial Anomaly Detection

工业异常检测

截至2022年最好的缺陷检测模型

背景：

在工业图像的异常检测中，最大的问题就是冷启动的问题。

• 首先，在训练集中都是正常的图片，模型很容易捕获到正常图像的特征，但是很难捕获到异常缺陷的样本（这类样本很少，获取也难）

• 其次，分布漂移。正常图像和异常图像分布是不一样的，模型学习的是正常图像的数据分布，而异常图像的数据分布和正常图像不一样

AD数据集上的偏差：



AD数据集介绍一下：

---

尝试解决：

1. 如果基于分类的思想进行缺陷检测，很难，因为发生错误的地方不易察觉，小到一条划痕、大到一个组件直接消失

2. 最近，采样预训练的模型是个好方法，但是不可避免ImageNet上训练的分类模型不适应目标分布
3. 核心点：特征匹配。在训练集和测试集提取不同大小的深度特征表示。但是ImageNet的高层抽象的特征匹配有限

本篇文章采取的方法是基于密度的异常检测方法:


GAP：全局平均。

会定义一个anomaly score

就是你训练正常的数据，捕获正常图像的特征，然后有一个异常的数据进来，就会和正常数据产生一个差异，通过整个差异来判断是否是异常。


其实这篇文章也是站着巨人的肩膀上：

SPADE:

PaDim：

这篇文章提出3个方法：

1. 在测试时，最大化提取正常数据的信息
2. 减少ImageNet上的类别偏差
3. 保持高的推理速度

---

总体流程：

Locally patch features 局部块特征

patchcore采用ImageNet的预训练模型

fi代表网络 ； $i$代表样本 ； $j$代表网络层级

局部特征提取

采用ResNet-50 / WideResNet-50 进行特征提取，由4个残差块组成。

一般来说，获取提取的特征是在ResNet最后一层获取，但是存在两个问题

1. 损失太多的信息
2. 深度抽象的特征对当前的分类任务存在较大的偏差，因为冷启动带来的问题，缺陷特征很少，很难推测出来

---

解决：

1. 创建一个存储块：memory bank,存储patch features（可理解为块特征）
2. 不从Resnet最后一层获取特征，而是从中间获取

什么是中间特征：

3. 为了不损失空间的分辨率和有用的特征，采用局部邻居聚合的方法来增加感受野，然后合并特征
   
   
   h是高度，w是宽度，c是通道 ， patchsize是块大小

• 针对位置（h，w）的特征处理：

先放图片理解：

特征提取：

扫描所有的:

• 再提取下一层，再合并，形成一个local patch：
  
  
  
• 多个local patch合并：
  
  
  

1. 提取邻居的特征集合
   
2. 合并邻居的特征集合，组成单个feature map

3. 局部特征集合

4. 最后遍历完整个数据集，取并集，得到特征存储块

---

Coreset Subsampling

基于贪心策略的子采样方法：



流程解释：

1. M是我们需要的特征集，整个特征集不能太大（放在内存里面的），尽可能小弟coreset能代表绝大多数的数据特征
2. 遍历所有的图像，获得经过ResNet提取后的特征，还是太多，得优化
3. l是设定的coreset的特征子集个数，是个超参数
4. 关键：如果选才能满足1中的要求？ 就是，每次选一个coresset（$M_C$）中的点，在M中找一个最近又最远（贪心策略）的点，抽出来
5. 解释一下什么是最近又最远：在最近的范围内找到最远的点，也就是在局部找到一个最远的点，即最优解。如果不这样，搜索计算量巨大NP难的问题

• 这波很妙，也很关键！

对比一波传说中的随机采样：

• 兄弟，吊打啊！

---

Detection and Localization

测试集的数据进来

• 按照patch feature的思想，一个一个patch到coreset里面去找对比anomaly score，看是不是异常的，是异常的，ok，红色标出来； 不是，也ok，平平淡淡才是真！

最近邻

每个query进来都要找最近的邻居，又是一波骚操作

• 假设领域内邻居数为3
  
  公式如下：
  
  又是一波最小又最大，解释一下：

1. 每个query进来，首先找最近距离最近的领域质心（蓝色标记，非数据点）
   
2. 找到距离query最近的质心后，锁定该领域

3. 然后在该领域内计算距离最远的数据点，用该距离计算anomaly score，判断是否异常，得到结果

效果

• 目前为止最好的异常检测模型！
  

超参数调整