工业异常检测中的全记忆目标

在大规模工业制造中，能够识别缺陷部件是一项至关重要的任务。本文所解决的一个关键挑战是“冷启动问题”：仅使用正常（无缺陷）样本图像来训练模型。尽管针对每一类缺陷均可设计手工解决方案，但我们的目标是构建能够自动在多种不同任务上均表现优异的系统。目前表现最佳的方法是将ImageNet模型的特征嵌入与异常检测模型相结合。本文在此基础上进一步拓展，提出PatchCore，该方法利用一个最具代表性的正常样本块（patch）特征记忆库。PatchCore在保持优异推理速度的同时，实现了检测与定位任务的最先进性能。在具有挑战性且广泛使用的MVTec AD基准测试中，PatchCore的图像级异常检测AUROC得分最高达到99.6%，相比次优竞争对手的错误率降低了一半以上。此外，我们在两个额外的数据集上也取得了具有竞争力的结果，并在少样本场景下同样表现出色。\freefootnote{$^*$ 本工作为在亚马逊AWS实习期间完成。} 代码地址：github.com/amazon-research/patchcore-inspection。