摘要
深度学习神经网络凭借其在表征空间中强大的抽象表达能力，已成为视觉异常检测（Anomaly Detection, AD）与故障诊断的有力工具。先前研究表明，基于ImageNet图像分类任务预训练的深度神经网络所提取的深层特征，结合高斯判别分析方法，在异常检测任务中具有显著有效性。然而，随着深度学习神经网络结构日益复杂，所生成的深层特征集合规模庞大，特征冗余不可避免。冗余特征不仅增加了计算开销，还降低了异常检测方法的性能。本文针对异常检测任务中的深层特征选择问题展开研究，探讨如何在表征空间中有效减少特征冗余。为此，我们提出一种基于子空间分解的横向特征选择方法（即维度压缩），用于降低特征空间的冗余度；同时，提出一种纵向特征选择策略，用以识别对异常检测与故障诊断最具判别能力的网络层。我们在两个公开数据集上对所提方法进行了验证：一个用于异常检测任务，另一个用于滚动轴承故障诊断。实验结果表明，不同网络层及特征子空间在异常检测任务中具有显著差异性贡献，充分验证了所提出特征选择策略的有效性与实用性。