【论文笔记】CVPR2022：Anomaly Detection via Reverse Distillation From One-Class Embedding

CVPR2022：Anomaly Detection via Reverse Distillation From One-Class Embedding

本文提出了一种由教师编码器和学生解码器组成的新颖T-S模型：“逆向蒸馏”（Reverse Distillation）。与之前的知识蒸馏模型不同，学生网络不是直接接收原始图像，而是将教师模型的单类嵌入（One Class Embedding）作为输入，并旨在恢复教师的多尺度表示。

一句话总结，提出reverse distillation，将编解码思想与知识蒸馏结合。

背景

基于KD的方法假设学生在训练期间只处理正常样本，所以当查询是异常时，它可能会生成与教师不同的表示。

论文指出，由于（1）师生网络具有相似的或相同的架构（即非区分滤波器）和（2）T-S模型在知识传输/蒸馏期间具有相同的数据流，假设并非总是成立。

网络简介

反向蒸馏由异构体系结构组成：一个教师编码器和一个学生解码器。其次，学生解码器不直接将原始数据同时提供给T-S模型

这种设计有两个主要优点：

i）非相似结构。可以将教师编码器视为下采样滤波器，将学生解码器视为上采样滤波器。 “反向结构”避免了无法区分的滤波器引起的混淆。ii）紧凑嵌入。馈送到学生解码器的低维嵌入作为正常模式恢复的信息瓶颈层（bottleneck）。异常特征可以看作是正常模式上的扰动。紧凑的嵌入有助于防止这种不寻常的扰动传播到学生模型，并因此提高了T-S模型在异常上的表示差异。

方法

网络由一个固定的预训练教师编码器E，一个可训练的一类瓶颈嵌入模块和一个学生解码器D组成：

教师E提取多尺度表示。训练学生D从瓶颈嵌入（bottleneck embedding）中恢复特征。在测试中，教师E提取的表示可以捕获异常特征。然而，学生解码器D无法从相应的嵌入中重构这些异常特征。学生和教师表示的相似性低则表明高异常分数。

反向蒸馏

学生解码器与教师编码器相比是对称但相反的。相反有助于消除学生网络对于异常的响应，对称使得它与教师网络维度相同。

M k ( h , w ) = 1 − ( f E k ( h , w ) ) T ⋅ f D k ( h , w ) ∥ f E k ( h , w ) ∥ ∥ f D k ( h , w ) ∥ M^k(h,w)=1-\frac{(f_E^k(h,w))^T\cdot f_D^k(h,w)}{\left\|f_E^k(h,w)\right\|\left\|f_D^k(h,w)\right\|} Mk(h,w)=1− ​fEk​(h,w) ​ ​fDk​(h,w) ​(fEk​(h,w))T⋅fDk​(h,w)​

异常图$M^k(h,w)$ 由上式得到，其中$f_E^k(h,w)$ 和$f_D^k(h,w)$ 分别代表encoder和decoder的第$k$ 层。

损失函数

$${\mathcal{L}}_{\mathcal{K}\mathcal{D}}=\sum _{k=1}^K\left\{\frac{1}{H_k{W}_k}\sum _{h=1}^{H_k}\sum _{w=1}^{W_k}{M}^k(h,w)\right\}$$

OCBE

KD中的教师模型最后一层如果直接输入给学生网络，那么其中具有高自由度和冗余的特征不利于学生只学习正常特征。其次，最后一层富含语义信息，直接馈送给学生网络不利于低级别特征的重建。

单类瓶颈嵌入（OCBE）模块用于进一步压缩特征空间。OCBE模块包括一个多尺度特征融合（MFF）块（用于聚合特征）和一个单类嵌入（OCE）块（用于保留关键信息）。OCBE模块将多尺度模式进一步压缩到极低维空间，以进行下游正常表示重建。

首先通过3×3的卷积层来下采样浅层特征，然后进行BN和ReLU激活。然后再接1×1卷积、BN和ReLU。

实验

MVTec：AUROC：98.5

pixel AUROC：97.8；PRO：93.9

作者还进行了单类新颖性检测的实验，结果如下